Pembelajaran Mesin Kuantum: Konsep, Algoritme, dan Kasus Penggunaan

Beberapa masalah membuat komputer klasik kewalahan. Mensimulasikan interaksi molekul, menelusuri ruang kombinatorial yang sangat besar, memfaktorkan bilangan besar: beban kerja tumbuh lebih cepat daripada kemampuan perangkat keras untuk mengimbanginya. Komputer kuantum mendekati masalah-masalah ini dari sudut yang berbeda, dan sekelompok kecil namun terus berkembang dari para peneliti bertanya apakah perbedaan itu juga dapat membantu pembelajaran mesin.

Pertanyaan itulah yang menjadi inti pembelajaran mesin kuantum (QML). Panduan ini membahas apa sebenarnya QML itu, ide-ide kuantum yang Anda perlukan untuk mengikutinya, algoritme utama yang sedang diuji, dan posisi bidang ini saat ini, yang akan saya tegaskan sejak awal: lebih dini daripada yang disiratkan oleh judul-judul berita. Jika Anda sudah bekerja dengan ML klasik melalui sesuatu seperti Machine Learning Scientist in Python kami, Anda akan mengenali lebih banyak strukturnya di sini daripada yang Anda duga.

Apa Itu Pembelajaran Mesin Kuantum?

Pembelajaran mesin kuantum menggunakan komputasi kuantum untuk menjalankan, atau mempercepat, bagian dari tugas pembelajaran mesin. Itu bisa berarti mengenkode data ke dalam keadaan kuantum, menjalankan sirkuit kuantum menggantikan komponen model klasik, atau memanggil subrutin kuantum di dalam loop pelatihan yang selebihnya normal. Label ini mencakup rentang yang luas, dari metode yang sebagian besar klasik dengan satu langkah kuantum hingga model yang dirancang untuk berjalan sepenuhnya pada perangkat keras kuantum.

Sebelum melangkah lebih jauh, ada baiknya meluruskan apa yang bukan QML, karena di sinilah kebingungan paling sering dimulai. Ini bukan pengganti cepat untuk model yang sudah Anda gunakan, dan tidak berlomba untuk menggantikan ML klasik secara menyeluruh. Sebagian besar bidang ini masih tahap riset, berjalan pada simulator atau mesin kuantum kecil yang berisik. Kerangka yang jujur: QML mengajukan pertanyaan yang lebih sempit, yaitu, apakah ada masalah ML tertentu di mana perangkat keras kuantum menawarkan sesuatu yang tidak mudah ditandingi perangkat keras klasik? Untuk segelintir tipe masalah, jawabannya terlihat menjanjikan. Untuk sebagian besar, ML klasik masih alat yang tepat, dan kursus Understanding Machine Learning kami mencakup dasar-dasar yang sebenarnya paling dibutuhkan banyak orang terlebih dahulu.

Dasar-Dasar Komputasi Kuantum

Anda tidak perlu gelar fisika untuk mengikuti artikel ini, tetapi beberapa gagasan membuat QML jauh lebih mudah dipahami. Berikut versi singkatnya, lewati jika Anda sudah familier.

Qubit versus bit

Bit klasik bernilai 0 atau 1. Qubit dapat memuat campuran keduanya sekaligus, dan baru menetap menjadi 0 atau 1 yang pasti saat Anda mengukurnya. Sebelum pengukuran, qubit dijelaskan oleh dua amplitudo yang menentukan probabilitas masing-masing hasil. Itulah intinya: sebuah register berisi n qubit dapat merepresentasikan kombinasi 2ⁿ keadaan sekaligus, sementara n bit klasik hanya dapat memuat salah satu keadaan itu pada satu waktu.

Kekurangannya (dan selalu ada kekurangan dalam komputasi kuantum) adalah Anda tidak bisa begitu saja membaca semua keadaan itu. Pengukuran meruntuhkan qubit menjadi satu nilai, jadi mendapatkan informasi yang berguna kembali membutuhkan kehati-hatian. Batasan itu lebih penting daripada yang terlihat pada awalnya, dan merupakan alasan besar mengapa algoritme QML dirancang seperti adanya, seperti yang akan segera Anda lihat.

Superposisi dan belitan (entanglement)

Campuran keadaan itu disebut superposisi. Gagasan kedua, belitan, adalah bagian yang menarik: dua qubit atau lebih dapat menjadi berkorelasi begitu erat sehingga Anda tidak dapat mendeskripsikan satu tanpa mendeskripsikan yang lain. Ukur satu qubit yang terbelit dan Anda segera mengetahui sesuatu tentang pasangannya, bahkan secara prinsip pada jarak jauh. Bit klasik tidak memiliki padanannya, dan sebagian besar keunggulan yang diusulkan komputasi kuantum bergantung padanya dalam beberapa cara.

Gerbang kuantum

Lalu bagaimana Anda benar-benar bekerja dengan qubit dalam superposisi dan belitan? Di sinilah gerbang kuantum berperan. Gerbang adalah rotasi yang dapat dibalik dari keadaan qubit: gerbang Hadamard menempatkan qubit ke dalam superposisi, gerbang CNOT membelitkan dua qubit. Rangkai gerbang-gerbang dan Anda mendapatkan sirkuit kuantum, versi kuantum dari sebuah program. Semuanya bertumpu pada aljabar linear: keadaan adalah vektor, gerbang adalah matriks, dan menjalankan sirkuit adalah urutan operasi matriks. Jika bagian itu terasa rapuh, keterampilan aljabar linear dari jalur pembelajaran data science kami berlaku langsung.

Dengan qubit, superposisi, belitan, dan gerbang di tangan, Anda memiliki semua yang dibutuhkan untuk melihat bagaimana bagian-bagian ini benar-benar berpadu dalam alur kerja QML.

Cara Kerja Pembelajaran Mesin Kuantum

Secara garis besar, alur kerja QML memiliki empat langkah. Pertama, Anda mengenkode data klasik ke dalam keadaan kuantum, biasanya dengan memetakan nilai fitur ke sudut rotasi atau amplitudo. Kedua, Anda menerapkan sirkuit kuantum, sering kali dengan parameter yang dapat disetel. Ketiga, Anda mengukur sirkuit tersebut, menjalankannya berkali-kali karena setiap pengukuran hanya memberikan satu hasil yang runtuh dan Anda memerlukan cukup sampel untuk memperkirakan hasil dengan andal. Keempat, Anda memasukkan hasil itu kembali ke dalam proses pembelajaran.

Langkah terakhir itulah tempat sebagian besar QML praktis berada saat ini. Alih-alih menjalankan semuanya pada mesin kuantum, Anda membangun loop hibrida: sirkuit kuantum menghasilkan sebuah nilai, pengoptimal klasik menyesuaikan parameter sirkuit, dan siklus berulang, persis seperti melatih model, hanya saja satu bagian komputasinya terjadi pada perangkat keras kuantum. Mesin kuantum saat ini berisik dan kecil (bidang ini menyebutnya era NISQ, noisy intermediate-scale quantum), jadi menjaga beban berat tetap klasik dan hanya mengalihkan bagian yang mendapat manfaat adalah pilihan yang pragmatis. Saya akan kembali ke alasan mengapa pendekatan hibrida unggul di bagian berikutnya.

Jenis Pendekatan Pembelajaran Mesin Kuantum

Setelah melihat alur kerja empat langkah dasar itu, patut ditanyakan: seberapa banyak alur kerja itu sebenarnya harus dijalankan pada perangkat keras kuantum? Kira-kira ada tiga cara menggabungkan komputasi kuantum dengan pembelajaran mesin, dan perbedaannya terutama pada seberapa banyak pekerjaan yang benar-benar dilakukan mesin kuantum.

Pembelajaran mesin dengan peningkatan kuantum

Di sini model pada dasarnya bersifat klasik, tetapi satu langkah yang mahal diserahkan ke rutin kuantum untuk potensi percepatan: menyelesaikan sistem linear, memperkirakan kernel, melakukan sampling dari distribusi. Sisa pipeline terlihat seperti pembelajaran terawasi yang akan Anda bangun di kursus Supervised Learning with scikit-learn kami.

Model kuantum sepenuhnya

Pada sisi lain, ini berjalan ujung ke ujung pada perangkat keras kuantum, dengan data dan model sama-sama berada dalam keadaan kuantum. Ini adalah versi QML yang paling ambisius dan, tidak kebetulan, yang paling tidak praktis saat ini: perangkat keras saat ini belum mampu mendukungnya pada skala yang berguna.

Model hibrida kuantum-klasik

Di antara kedua ekstrem itu terdapat pendekatan yang benar-benar bekerja hari ini, dan di sanalah hampir semua riset QML serius berada. Sebuah sirkuit kuantum berparameter menangani sebagian komputasi sementara pengoptimal klasik melatihnya. Ini menghindari batasan perangkat keras yang kecil dan berisik dengan meminta mesin kuantum hanya melakukan apa yang saat ini dikuasainya.

Algoritme Pembelajaran Mesin Kuantum

Anda akan melihat segelintir keluarga algoritme yang sama muncul berulang kali. Saya akan tetap di tingkat tinggi, matematikanya cepat menjadi dalam, dan Anda tidak membutuhkannya untuk memahami kegunaan masing-masing.

Variational quantum circuits (VQC)

Variational quantum circuit adalah sirkuit kuantum dengan parameter yang dapat disetel, yang dilatih dalam loop hibrida seperti yang saya jelaskan sebelumnya. Ini adalah andalan QML jangka dekat dan dasar bagi sebagian besar model lain di sini. Kira-kira beginilah bentuknya di PennyLane, pustaka QML open-source yang populer:

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

Bobot adalah apa yang diperbarui pengoptimal klasik selama banyak iterasi, sama seperti penurunan gradien memperbarui bobot jaringan saraf. Dengan pola itu ditetapkan, algoritme berikutnya akan terasa seperti variasi pada tema yang sama.

Quantum support vector machines

Quantum support vector machine mempertahankan struktur SVM klasik tetapi menggunakan sirkuit kuantum untuk menghitung kernel: kemiripan antar titik data. Harapannya, ruang fitur kuantum dapat menangkap pola yang akan sulit ditangkap kernel klasik. Apakah itu membantu pada data nyata masih menjadi pertanyaan terbuka.

Jaringan saraf kuantum (QNN)

Jaringan saraf kuantum menyusun sirkuit berparameter ke dalam lapisan dan melatihnya mirip dengan jaringan klasik. Jika Anda pernah melatih model di kursus Introduction to Deep Learning in Python kami, loop-nya familier: forward pass, loss, update, hanya saja forward pass berjalan pada sirkuit kuantum.

Quantum k-means

Quantum k-means adalah yang untuk pengelompokan: ia menggunakan subrutin kuantum untuk memperkirakan jarak antar titik, operasi yang mendominasi k-means klasik pada skala besar. Ini adalah contoh paling langsung dari "menukar satu langkah mahal dengan versi kuantum" dalam daftar ini.

Anda mungkin bertanya-tanya, mengingat semua algoritme ini, apakah ada yang benar-benar mewujudkan janji percepatan kuantum. Itulah yang akan kita lihat selanjutnya.

Potensi Keunggulan Pembelajaran Mesin Kuantum

Tiga keuntungan potensial paling sering dibahas. Masalah-masalah terstruktur tertentu, misalnya mensimulasikan sistem kuantum dalam kimia dan material, secara alami terpetakan ke perangkat keras kuantum, dan di situlah keunggulan terlihat paling mungkin. Ruang fitur kuantum juga mungkin merepresentasikan hubungan kompleks yang canggung ditangkap secara klasik. Dan untuk beberapa algoritme spesifik, teori menunjukkan percepatan yang besar, bahkan eksponensial.

Perhatikan saya terus mengatakan potensial. Keunggulan ini sebagian besar terbukti di atas kertas, dengan asumsi yang belum dipenuhi perangkat keras nyata. Contoh favorit dari kesenjangan itu: beberapa percepatan teoretis mengasumsikan data Anda sudah dimuat ke dalam keadaan kuantum, tetapi memuat data klasik ke keadaan itu bisa memakan biaya sebesar penghematan yang dijanjikan. Jenis hambatan tersembunyi seperti itulah alasan mengapa keunggulan yang diklaim dan yang terbukti masih merupakan dua daftar yang sangat berbeda.

Mengingat kesenjangan itu, ada baiknya mundur selangkah dan membandingkan ML klasik dan kuantum secara langsung berdampingan.

Pembelajaran Mesin Kuantum vs. Pembelajaran Mesin Klasik

Cara paling bersih untuk melihat perbedaannya adalah berdampingan.

ML klasik mendominasi pekerjaan nyata saat ini dan akan terus demikian untuk masa mendatang: perkakas, perangkat keras, dan talenta semuanya sudah tersedia. QML adalah penantang tahap awal yang mungkin pada akhirnya mendapatkan ceruk pada masalah di mana struktur kuantumnya memberikan keuntungan. Menganggap keduanya sebagai pesaing melewatkan intinya. Untuk saat ini mereka bermain di liga yang berbeda, dan pertanyaan menariknya adalah masalah mana yang pada akhirnya akan menyeberang.

Kerangka "liga yang berbeda" juga merupakan penangkal terbaik terhadap mitos yang cenderung mengikuti bidang ini, jadi mari kita tangani langsung.

Kesalahpahaman Umum tentang Pembelajaran Mesin Kuantum

Beberapa mitos mengikuti QML, dan layak untuk diluruskan.

"ML kuantum lebih cepat untuk semua hal." Tidak. Percepatan yang diusulkan berlaku untuk algoritme tertentu dalam kondisi tertentu. Untuk sebagian besar tugas ML, mesin kuantum tidak menawarkan keunggulan, dan berjalan lebih lambat setelah Anda memperhitungkan perangkat keras saat ini.

"Komputer kuantum akan menggantikan komputer klasik." Tidak. Mereka adalah akselerator khusus yang ditujukan untuk kelas masalah yang sempit, bukan pengganti serbaguna. Laptop Anda tidak akan ke mana-mana, begitu pula bagian klasik dari setiap model QML hibrida.

"QML sudah siap produksi hari ini." Ini yang paling sering menjebak pendatang baru. Bidang ini eksperimental, perangkat kerasnya terbatas dan berisik, dan hampir semuanya berjalan pada simulator. QML adalah sesuatu untuk dipelajari dan diikuti sekarang, bukan sesuatu untuk dikirimkan.

Dengan hype disingkirkan, yang tersisa adalah bidang yang benar-benar menarik dan layak dipelajari dengan caranya sendiri. Jadi jika Anda cukup penasaran untuk menulis kode, berikut tempat untuk memulai.

Mulai Belajar Pembelajaran Mesin Kuantum

Jika konsep-konsep ini membuat Anda cukup penasaran untuk menulis kode, kabar baiknya adalah perkakasnya bersifat open-source dan ramah pemula. PennyLane (pustaka dalam contoh di atas) dan Qiskit adalah dua titik masuk yang paling umum, dan keduanya berjalan pada simulator, jadi Anda tidak memerlukan akses ke mesin kuantum nyata untuk mulai bereksperimen. Modul pembelajaran mesin Qiskit menyertakan kernel, pengklasifikasi, dan jaringan saraf kuantum siap pakai, dan terhubung ke PyTorch, yang membuatnya menjadi jembatan yang nyaman dari pekerjaan klasik.

Saran saya: kuatkan dulu dasar-dasar klasik. Loop hibrida, pengoptimal, cara sebuah model dilatih, semuanya klasik, dan itulah bagian yang paling akan Anda andalkan. Machine Learning Scientist in Python kami mencakup fondasi itu, dan dari sana bagian-bagian khusus kuantum adalah tambahan, bukan mulai dari nol. Belajarlah dengan menjalankan sirkuit dan mengutak-atik parameter; membaca tentang superposisi hanya membawa Anda sejauh ini.

Kesimpulan

Pembelajaran mesin kuantum berada di titik temu dua bidang yang bergerak cepat, meminjam cara komputasi kuantum merepresentasikan informasi untuk menangani bagian dari pipeline ML. Saya mencoba menjaga pembahasan tetap membumi, karena topik ini menarik lebih banyak hype daripada hampir semua hal di teknologi saat ini, dan ringkasan jujurnya sederhana: QML masih dini, sebagian besar eksperimental, dan benar-benar belum pasti di mana ia akan memberikan hasil.

Itu bukan alasan untuk mengabaikannya. Itu alasan untuk memahami dasar-dasarnya sekarang, saat bidangnya masih cukup kecil untuk dipelajari secara menyeluruh. Jika perangkat keras kuantum matang seperti yang diharapkan para optimisnya, orang-orang yang sudah memahami bagaimana qubit, sirkuit, dan pelatihan hibrida saling terkait akan menjadi yang siap memanfaatkannya. Dan jika tidak terwujud di semua tempat, Anda tetap akan mempelajari sudut komputasi yang memikat, yang sejujurnya, juga bukan hasil yang buruk.