Uczenie maszynowe kwantowe: koncepcje, algorytmy i zastosowania

Niektóre problemy sprawiają, że klasyczne komputery się pocą. Symulacja interakcji cząsteczek, przeszukiwanie ogromnych przestrzeni kombinatorycznych, faktoryzacja dużych liczb: nakład pracy rośnie szybciej, niż sprzęt jest w stanie nadążyć. Komputery kwantowe podchodzą do tych problemów z innej strony, a niewielka, ale rosnąca grupa badaczy pyta, czy ta różnica może pomóc także uczeniu maszynowemu.

Na tym właśnie polega uczenie maszynowe kwantowe (QML). Ten przewodnik wyjaśnia, czym QML jest w praktyce, jakie kwantowe idee trzeba znać, by je śledzić, jakie są główne algorytmy, z którymi eksperymentują badacze, i gdzie dziedzina jest dziś, co — powiem od razu — jest wcześniejszą fazą, niż sugerują nagłówki. Jeśli masz już doświadczenie z klasycznym ML, np. dzięki naszej ścieżce Machine Learning Scientist in Python, rozpoznasz tu więcej znajomych elementów, niż się spodziewasz.

Czym jest uczenie maszynowe kwantowe?

Uczenie maszynowe kwantowe wykorzystuje komputery kwantowe do realizacji lub przyspieszania części zadania z zakresu ML. Może to oznaczać zakodowanie danych w stanach kwantowych, uruchomienie obwodu kwantowego zamiast klasycznego komponentu modelu albo wywołanie kwantowej podprocedury w klasycznej pętli treningowej. Etykieta obejmuje szerokie spektrum — od metod głównie klasycznych z pojedynczym krokiem kwantowym po modele zaprojektowane do działania w całości na sprzęcie kwantowym.

Zanim pójdziemy dalej, warto wyjaśnić, czym QML nie jest — to tu zaczyna się większość nieporozumień. To nie jest szybszy zamiennik dla modeli, których już używasz, i nie ma ambicji zastąpić klasycznego ML na całej linii. Większość tej dziedziny to wciąż etap badań, które działają na symulatorach lub małych, hałaśliwych maszynach kwantowych. Uczciwe ujęcie: QML stawia węższe pytanie — czy są takie konkretne problemy ML, w których sprzęt kwantowy oferuje coś, czego klasyczny sprzęt nie potrafi łatwo dorównać? Dla garstki typów problemów odpowiedź wygląda obiecująco. Dla większości — klasyczny ML wciąż jest właściwym narzędziem, a nasz kurs Understanding Machine Learning obejmuje podstawy, których większość osób faktycznie potrzebuje na start.

Podstawy obliczeń kwantowych

Nie potrzebujesz dyplomu z fizyki, by zrozumieć resztę artykułu, ale kilka pojęć sprawi, że QML przestanie być tajemnicą. Oto skrót — jeśli to dla ciebie oczywistości, przejdź dalej.

Kubity kontra bity

Klasyczny bit to 0 albo 1. Kubit może jednocześnie utrzymywać mieszankę obu stanów i dopiero podczas pomiaru przyjmuje jednoznacznie 0 lub 1. Przed pomiarem kubit opisują dwie amplitudy, które określają prawdopodobieństwo każdego wyniku. Cały trik polega na tym, że rejestr n kubitów może reprezentować kombinację 2ⁿ stanów jednocześnie, podczas gdy n klasycznych bitów może w danej chwili przechowywać tylko jeden z tych stanów.

Haczyk (a przy obliczeniach kwantowych haczyk jest zawsze) polega na tym, że nie możesz po prostu odczytać wszystkich tych stanów. Pomiar powoduje kolaps kubitu do pojedynczej wartości, więc wydobycie użytecznej informacji wymaga ostrożności. To ograniczenie ma większe znaczenie, niż na pierwszy rzut oka się wydaje, i w dużej mierze wyjaśnia, dlaczego algorytmy QML są projektowane tak, jak zobaczysz za chwilę.

Superpozycja i splątanie

Ta mieszanka stanów to superpozycja. Drugie pojęcie, splątanie, robi się naprawdę interesujące: dwa lub więcej kubitów może stać się tak silnie skorelowanych, że nie da się opisać jednego bez opisu pozostałych. Zmierz jeden splątany kubit, a natychmiast wiesz coś o jego partnerze — w zasadzie nawet na odległość. Klasyczne bity nie mają odpowiednika, a większość proponowanych przewag obliczeń kwantowych w jakiś sposób się na tym opiera.

Bramki kwantowe

Jak więc praktycznie pracować z kubitami w superpozycji i splątaniu? Tu wchodzą bramki kwantowe. To odwracalne rotacje stanu kubitu: bramka Hadamarda wprowadza kubit w superpozycję, a bramka CNOT splątuje dwa kubity. Łącząc bramki, budujesz obwód kwantowy — kwantowy odpowiednik programu. Wszystko opiera się na algebrze liniowej: stany to wektory, bramki to macierze, a uruchomienie obwodu to sekwencja operacji macierzowych. Jeśli ta część jest dla ciebie chwiejna, umiejętności z algebry liniowej z naszych ścieżek data science przekładają się tu wprost.

Mając kubity, superpozycję, splątanie i bramki, masz wszystko, czego potrzeba, by zobaczyć, jak te elementy łączą się w praktyczny workflow QML.

Jak działa uczenie maszynowe kwantowe

Na wysokim poziomie workflow QML ma cztery kroki. Po pierwsze, kodujesz klasyczne dane w stan kwantowy, zwykle mapując wartości cech na kąty rotacji lub amplitudy. Po drugie, stosujesz obwód kwantowy, często z regulowanymi parametrami. Po trzecie, mierzysz obwód — uruchamiając go wielokrotnie, bo każdy pomiar daje tylko jeden skolosowany wynik, a do wiarygodnego oszacowania potrzebujesz wielu próbek. Po czwarte, przekazujesz wynik z powrotem do procesu uczenia.

To ostatnie jest dziś miejscem, gdzie żyje większość praktycznego QML. Zamiast uruchamiać wszystko na maszynie kwantowej, budujesz hybrydową pętlę: obwód kwantowy produkuje wartość, klasyczny optymalizator dostraja parametry obwodu i cykl się powtarza — dokładnie jak trening modelu, z tą różnicą, że część obliczeń dzieje się na sprzęcie kwantowym. Dzisiejsze maszyny kwantowe są hałaśliwe i małe (branża nazywa to erą NISQ — noisy intermediate-scale quantum), więc utrzymanie ciężaru obliczeń po stronie klasycznej i odciążenie tylko fragmentu, który na tym zyskuje, jest pragmatycznym wyborem. Wrócę do tego, dlaczego hybryda wygrywa, w następnej sekcji.

Typy podejść w uczeniu maszynowym kwantowym

Skoro znasz już czteroetapowy workflow, warto zapytać: ile z tego faktycznie musi działać na sprzęcie kwantowym? Mniej więcej na trzy sposoby można łączyć obliczenia kwantowe z uczeniem maszynowym, a różnią się głównie tym, jaką część pracy wykonuje maszyna kwantowa.

Uczenie maszynowe wspomagane kwantowo

Tutaj model jest zasadniczo klasyczny, ale jeden kosztowny krok przekazuje się do rutyny kwantowej dla potencjalnego przyspieszenia: rozwiązanie układu równań liniowych, estymacja jądra, próbkowanie z rozkładu. Reszta potoku wygląda jak uczenie nadzorowane, które zbudowałbyś w naszym kursie Supervised Learning with scikit-learn.

Modele w pełni kwantowe

Na drugim biegunie działają od końca do końca na sprzęcie kwantowym, a dane i model żyją w stanach kwantowych. To najbardziej ambitna wersja QML i — co nieprzypadkowe — najmniej praktyczna obecnie: obecny sprzęt nie udźwignie ich w użytecznej skali.

Modele hybrydowe kwantowo-klasyczne

Między tymi skrajnościami jest podejście, które działa dziś naprawdę i w którym skupia się niemal całe poważne badanie QML. Parametryzowany obwód kwantowy obsługuje część obliczeń, a klasyczny optymalizator go trenuje. Omija to ograniczenia małego, hałaśliwego sprzętu, prosząc maszynę kwantową tylko o to, w czym jest obecnie dobra.

Algorytmy uczenia maszynowego kwantowego

W kółko przewijają się te same rodziny algorytmów. Zostanę przy wysokim poziomie — matematyka szybko robi się głęboka, a nie jest ci potrzebna, by zrozumieć, do czego służy każdy z nich.

Wariacyjne obwody kwantowe (VQC)

Wariacyjny obwód kwantowy to obwód z dostrajalnymi parametrami, trenowany w tej hybrydowej pętli, o której pisałem wyżej. To koń pociągowy krótkoterminowego QML i podstawa większości pozostałych modeli. Tak mniej więcej wygląda w PennyLane, popularnej bibliotece open-source do QML:

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))

Wagi to to, co klasyczny optymalizator aktualizuje przez wiele iteracji — tak jak spadek gradientowy aktualizuje wagi sieci neuronowej. Mając ten wzorzec, pozostałe algorytmy będą brzmiały jak wariacje na temat.

Kwantowe maszyny wektorów nośnych

Kwantowa SVM zachowuje strukturę klasycznej SVM, ale używa obwodu kwantowego do obliczania jądra — podobieństwa między punktami danych. Nadzieja jest taka, że kwantowa przestrzeń cech uchwyci wzorce, z którymi klasyczne jądro by się zmagało. Czy to pomaga na prawdziwych zbiorach danych — to wciąż otwarte pytanie.

Kwantowe sieci neuronowe (QNN)

Kwantowe sieci neuronowe układają parametryzowane obwody w warstwy i trenują je podobnie do sieci klasycznych. Jeśli trenowałeś model na naszym kursie Introduction to Deep Learning in Python, pętla będzie znajoma: przejście wprzód, strata, aktualizacja — tylko przejście wprzód działa na obwodzie kwantowym.

Kwantowe k-means

Kwantowe k-means to ten od klastrowania: wykorzystuje podprocedury kwantowe do estymacji odległości między punktami — operacji, która dominuje koszt klasycznego k-means w skali. To najbardziej bezpośredni przykład z tej listy na „podmień jeden kosztowny krok na wersję kwantową”.

Możesz się zastanawiać, czy którykolwiek z tych algorytmów faktycznie dowozi obiecane przyspieszenia. Właśnie to sprawdzimy dalej.

Potencjalne zalety uczenia maszynowego kwantowego

Najczęściej wymienia się trzy możliwe plusy. Pewne problemy o określonej strukturze — np. symulacje układów kwantowych w chemii i materiałoznawstwie — naturalnie mapują się na sprzęt kwantowy i tam przewaga wydaje się najbardziej wiarygodna. Kwantowe przestrzenie cech mogą też reprezentować złożone relacje, które trudno uchwycić klasycznie. A dla kilku konkretnych algorytmów teoria wskazuje na duże, nawet wykładnicze przyspieszenia.

Zauważ, że mówię „potencjalne”. Te zalety są w większości udowodnione na papierze, pod założeniami, których prawdziwy sprzęt jeszcze nie spełnia. Ulubiony przykład tej luki: kilka teoretycznych przyspieszeń zakłada, że twoje dane są już załadowane do stanu kwantowego, ale samo załadowanie danych klasycznych do tego stanu może kosztować tyle, ile oszczędza przyspieszenie. Taki ukryty wąskie gardło to dokładnie powód, dla którego deklarowane przewagi i te faktycznie zademonstrowane to wciąż dwie różne listy.

Skoro istnieje taka luka, warto zestawić klasyczne i kwantowe ML bezpośrednio obok siebie.

Uczenie maszynowe kwantowe vs. klasyczne uczenie maszynowe

Najczytelniej widać różnicę obok siebie.

Klasyczne ML dominuje rzeczywistą pracę dziś i będzie dominować w przewidywalnej przyszłości: narzędzia, sprzęt i talenty już są. QML to wczesny pretendent, który być może wywalczy niszę tam, gdzie jego kwantowa struktura przyniesie korzyść. Traktowanie ich jak rywali pudłuje. Na razie grają w różnych ligach, a ciekawe pytanie brzmi: które problemy ostatecznie się „przeniosą”.

Ta perspektywa „różnych lig” to też najlepsze antidotum na mity, które krążą wokół tej dziedziny, więc zmierzmy się z nimi wprost.

Powszechne nieporozumienia dotyczące QML

Kilka mitów nieustannie towarzyszy QML i warto je rozwiać.

„Kwantowe ML jest szybsze we wszystkim.” Nie jest. Proponowane przyspieszenia dotyczą konkretnych algorytmów i konkretnych warunków. Dla ogromnej większości zadań ML maszyna kwantowa nie daje przewagi, a po uwzględnieniu dzisiejszego sprzętu działa wolniej.

„Komputery kwantowe zastąpią klasyczne.” Nie. To wyspecjalizowane akceleratory do wąskiej klasy problemów, a nie uniwersalne zamienniki. Twój laptop nie znika, tak samo jak klasyczna część każdego hybrydowego modelu QML.

„QML jest gotowe do produkcji już dziś.” To najczęściej potyka nowicjuszy. Dziedzina jest eksperymentalna, sprzęt ograniczony i hałaśliwy, a niemal wszystko działa na symulatorach. QML to coś do nauki i śledzenia teraz, nie do wdrażania.

Po odcedzeniu hype’u zostaje naprawdę ciekawa dziedzina, którą warto poznawać na jej własnych zasadach. Jeśli więc masz ochotę napisać trochę kodu, oto od czego zacząć.

Pierwsze kroki z uczeniem maszynowym kwantowym

Jeśli te koncepcje budzą ciekawość do kodowania, dobra wiadomość jest taka, że narzędzia są open-source i przyjazne początkującym. PennyLane (biblioteka z powyższego przykładu) i Qiskit to dwa najczęstsze punkty wejścia i oba działają na symulatorach, więc nie potrzebujesz dostępu do prawdziwej maszyny kwantowej, by zacząć eksperymentować. Moduł machine learning w Qiskit dostarcza gotowe jądra kwantowe, klasyfikatory i sieci neuronowe, a do tego łączy się z PyTorch, co stanowi wygodny most od pracy klasycznej.

Moja rada: najpierw porządnie oprzyj się na klasyce. Pętla hybrydowa, optymalizatory, sposób, w jaki trenuje się model — to wszystko jest klasyczne i to na tym będziesz się najbardziej opierać. Nasza ścieżka Machine Learning Scientist in Python obejmuje te podstawy, a od tego momentu elementy specyficzne dla kwantów są dodatkiem, a nie świeżym startem. Ucz się, uruchamiając obwody i kręcąc parametrami; czytanie o superpozycji zaprowadzi cię tylko do pewnego punktu.

Zakończenie

Uczenie maszynowe kwantowe leży na styku dwóch szybko rozwijających się dziedzin, zapożyczając sposób reprezentowania informacji z obliczeń kwantowych, by wziąć na siebie część potoku ML. Starałem się trzymać ziemi, bo ten temat przyciąga dziś więcej hype’u niż niemal cokolwiek w IT, a uczciwe podsumowanie jest skromne: QML jest we wczesnej fazie, głównie eksperymentalne i szczerze niepewne, gdzie przyniesie korzyść.

To nie jest powód, by je ignorować. To powód, by poznać podstawy już teraz, gdy dziedzina jest wciąż na tyle mała, że da się ją ogarnąć od końca do końca. Jeśli sprzęt kwantowy dojrzeje tak, jak liczą na to optymiści, osoby, które już rozumieją, jak łączą się kubity, obwody i hybrydowe trenowanie, będą gotowe, by go wykorzystać. A jeśli nie sprawdzi się wszędzie — i tak poznasz fascynujący zakątek informatyki, co, szczerze mówiąc, też jest całkiem dobrym rezultatem.