Învățare automată cuantică: concepte, algoritmi și cazuri de utilizare

Unele probleme îi fac pe computerele clasice să transpire. Simularea interacțiunii dintre molecule, căutarea în spații combinaționale uriașe, factorizarea numerelor mari: volumul de lucru crește mai repede decât poate ține pasul hardware-ul. Calculatoarele cuantice abordează aceste probleme dintr-un unghi diferit, iar un grup mic, dar în creștere, de cercetători se întreabă dacă această diferență poate ajuta și învățarea automată.

Această întrebare este esența învățării automate cuantice (QML). Ghidul de față trece prin ce înseamnă de fapt QML, ideile cuantice de care ai nevoie ca să o înțelegi, principalele algoritmi cu care se experimentează și unde se află domeniul în acest moment, care, spun din start, este mai devreme decât sugerează titlurile din presă. Dacă lucrezi deja cu ML clasic prin ceva precum parcursul Machine Learning Scientist in Python, vei recunoaște mai multă structură aici decât te-ai aștepta.

Ce este învățarea automată cuantică?

Învățarea automată cuantică folosește calculul cuantic pentru a efectua sau accelera părți dintr-o sarcină de învățare automată. Asta poate însemna codificarea datelor în stări cuantice, rularea unui circuit cuantic în locul unei componente a modelului clasic sau apelarea unei subrutine cuantice într-o buclă de antrenare altfel normală. Eticheta acoperă un spectru larg, de la metode în mare parte clasice cu un singur pas cuantic până la modele concepute să ruleze integral pe hardware cuantic.

Înainte să mergem mai departe, ajută să clarificăm ce nu este QML, pentru că de aici pornește de obicei confuzia. Nu este un înlocuitor mai rapid, gata de folosit, pentru modelele pe care le utilizezi deja și nu se pregătește să înlocuiască ML clasic peste tot. Cea mai mare parte a domeniului este în stadiu de cercetare, rulând pe simulatoare sau pe mașini cuantice mici și zgomotoase. Încadrarea onestă: QML pune o întrebare mai îngustă, și anume, există probleme specifice de ML în care hardware-ul cuantic oferă ceva ce hardware-ul clasic nu poate egala ușor? Pentru câteva tipuri de probleme, răspunsul pare promițător. Pentru majoritatea, ML clasic rămâne unealta potrivită, iar cursul nostru Understanding Machine Learning acoperă bazele de care majoritatea oamenilor au nevoie mai întâi.

Bazele calculului cuantic

Nu ai nevoie de o diplomă în fizică pentru a urmări restul articolului, dar câteva idei fac QML mult mai puțin misterioasă. Iată versiunea scurtă; sari peste dacă îți sunt deja familiare.

Qubiți versus biți

Un bit clasic este fie 0, fie 1. Un qubit poate conține un amestec al ambelor în același timp și se fixează într-un 0 sau 1 clar abia când îl măsori. Înainte de măsurare, un qubit este descris de două amplitudini care determină probabilitatea fiecărui rezultat. Asta e toată șmecheria: un registru de n qubiți poate reprezenta o combinație de 2ⁿ stări simultan, pe când n biți clasici ar putea reține doar una dintre acele stări la un moment dat.

Partea dificilă (și există mereu o parte dificilă în calculul cuantic) este că nu poți pur și simplu citi toate acele stări. Măsurarea colapsează qubitul la o singură valoare, așa că a obține informații utile înapoi cere atenție. Această limitare contează mai mult decât pare la prima vedere și este o mare parte din motivul pentru care algoritmii QML sunt concepuți așa cum sunt, după cum vei vedea în curând.

Superpoziție și încurcare (entanglement)

Acest amestec de stări se numește superpoziție. A doua idee, încurcarea, este locul unde devine interesant: doi sau mai mulți qubiți pot deveni corelați atât de strâns încât nu poți descrie unul fără să-i descrii pe ceilalți. Măsori un qubit încurcat și știi imediat ceva despre perechea lui, chiar și, în principiu, la distanță. Biții clasici nu au un echivalent pentru asta, iar majoritatea avantajelor propuse ale calculului cuantic se bazează într-un fel pe ea.

Porți cuantice

Cum lucrezi efectiv cu qubiți în superpoziție și încurcare? Aici intervin porțile cuantice. Sunt rotații reversibile ale stării unui qubit: o poartă Hadamard pune un qubit în superpoziție, o poartă CNOT încurcă doi qubiți. Leagă porți între ele și obții un circuit cuantic, versiunea cuantică a unui program. Totul se bazează pe algebră liniară: stările sunt vectori, porțile sunt matrici, iar rularea unui circuit este o secvență de operații matriceale. Dacă partea asta e neclară, abilitățile de algebră liniară din traseele noastre de învățare pentru știința datelor se transferă direct.

Cu qubiți, superpoziție, încurcare și porți la îndemână, ai tot ce îți trebuie ca să vezi cum se îmbină aceste piese într-un flux de lucru QML.

Cum funcționează învățarea automată cuantică

La nivel înalt, un flux QML are patru pași. Mai întâi, codifici date clasice într-o stare cuantică, de obicei mapând valorile caracteristicilor pe unghiuri de rotație sau amplitudini. Apoi, aplici un circuit cuantic, adesea cu parametri ajustabili. Al treilea pas: măsori circuitul, rulându-l de multe ori pentru că fiecare măsurare oferă doar un singur rezultat colapsat și ai nevoie de suficiente eșantioane pentru a estima fiabil rezultatul. Al patrulea pas: alimentezi acel rezultat înapoi într-un proces de învățare.

Ultimul pas este locul unde trăiește cea mai mare parte a QML practic de azi. În loc să rulezi totul pe o mașină cuantică, construiești o buclă hibridă: circuitul cuantic produce o valoare, un optimizator clasic ajustează parametrii circuitului, iar ciclul se repetă, exact ca în antrenarea unui model, doar că o parte din calcul are loc pe hardware cuantic. Mașinile cuantice de azi sunt zgomotoase și mici (domeniul numește asta era NISQ, de la noisy intermediate-scale quantum), așa că a păstra grosul pe clasic și a externaliza doar partea care beneficiază este alegerea pragmatică. Revin la de ce hibridul câștigă în secțiunea următoare.

Tipuri de abordări în învățarea automată cuantică

Acum că ai văzut fluxul de bază în patru pași, merită să întrebi: cât din acest flux chiar trebuie să ruleze pe hardware cuantic? Există aproximativ trei moduri de a combina calculul cuantic cu învățarea automată și diferă mai ales prin cât de mult din muncă face efectiv mașina cuantică.

Învățare automată îmbunătățită cuantic

Aici modelul este, în esență, clasic, dar un pas costisitor este predat unei rutine cuantice pentru un potențial câștig de viteză: rezolvarea unui sistem liniar, estimarea unui nucleu (kernel), eșantionarea dintr-o distribuție. Restul pipeline-ului arată ca învățarea supravegheată pe care ai construi-o în cursul nostru Supervised Learning with scikit-learn.

Modele complet cuantice

La celălalt capăt, acestea rulează cap-coadă pe hardware cuantic, cu datele și modelul trăind ambele în stări cuantice. Sunt varianta cea mai ambițioasă a QML și, deloc întâmplător, cea mai puțin practică acum: hardware-ul actual nu le poate susține la o scară utilă.

Modele hibride cuantic-clasice

Între aceste două extreme stă abordarea care chiar funcționează azi și aici se află aproape toată cercetarea serioasă în QML. Un circuit cuantic parametrizat gestionează o parte din calcul, în timp ce un optimizator clasic îl antrenează. Ocolește limitele hardware-ului mic și zgomotos cerând mașinii cuantice să facă doar ceea ce îi iese bine acum.

Algoritmi de învățare automată cuantică

Vei vedea aceleași câteva familii de algoritmi apărând iar și iar. Le păstrez la nivel înalt; matematica devine adâncă repede și nu ai nevoie de ea ca să înțelegi la ce folosește fiecare.

Circuite cuantice variaționale (VQC)

Un circuit cuantic variațional este un circuit cuantic cu parametri reglabili, antrenați în acea buclă hibridă descrisă mai devreme. Este calul de povară al QML pe termen apropiat și baza pentru majoritatea celorlalte modele de aici. Iată aproximativ cum arată unul în PennyLane, o bibliotecă QML open-source populară:

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))

Greutățile (weights) sunt ceea ce actualizează optimizatorul clasic de-a lungul multor iterații, la fel cum gradient descent actualizează greutățile unei rețele neuronale. Odată stabilit acest tipar, restul algoritmilor vor părea variații pe aceeași temă.

Mașini cu vectori de suport cuantici

O mașină cu vectori de suport cuantic păstrează structura unei SVM clasice, dar folosește un circuit cuantic pentru a calcula nucleul: similaritatea dintre punctele de date. Speranța este că un spațiu de caracteristici cuantic poate surprinde tipare cu care un nucleu clasic s-ar lupta. Dacă asta ajută pe seturi de date reale rămâne încă o întrebare deschisă.

Rețele neuronale cuantice (QNN)

Rețelele neuronale cuantice aranjează circuite parametrizate în straturi și le antrenează similar rețelelor clasice. Dacă ai antrenat un model în cursul nostru Introduction to Deep Learning in Python, bucla îți e familiară: trecere înainte, pierdere, actualizare, doar că trecerea înainte rulează pe un circuit cuantic.

k-means cuantic

k-means cuantic este cel pentru clusterizare: folosește subrutine cuantice pentru a estima distanțele dintre puncte, operația care domină k-means clasic la scară. Este cel mai direct exemplu de pe această listă de „înlocuiește un pas costisitor cu o versiune cuantică”.

Probabil te întrebi, având toți acești algoritmi, dacă vreunul chiar oferă promisiunile de accelerare cuantică. Exact asta vedem în continuare.

Avantaje potențiale ale învățării automate cuantice

Trei posibile beneficii apar cel mai des. Anumite probleme structurate, de pildă simularea sistemelor cuantice în chimie și materiale, se mapează natural pe hardware-ul cuantic, iar acolo avantajul pare cel mai plauzibil. Spațiile de caracteristici cuantice ar putea, de asemenea, reprezenta relații complexe greu de surprins clasic. Iar pentru câțiva algoritmi specifici, teoria indică accelerări mari, chiar exponențiale.

Observă că tot spun potențiale. Aceste avantaje sunt în mare parte demonstrate pe hârtie, sub presupuneri pe care hardware-ul real încă nu le îndeplinește. Un exemplu favorit al decalajului: mai multe accelerări teoretice presupun că datele tale sunt deja încărcate într-o stare cuantică, dar încărcarea datelor clasice în acea stare poate costa cât economisește accelerarea. Exact astfel de blocaje ascunse sunt motivul pentru care avantajele revendicate și avantajele demonstrate sunt încă două liste foarte diferite.

Dat fiind acest decalaj, merită să punem ML clasic și ML cuantic unul lângă celălalt direct.

Învățarea automată cuantică vs. învățarea automată clasică

Cel mai clar mod de a vedea diferența este side by side.

ML clasic domină munca reală astăzi și o va face în viitorul previzibil: instrumentele, hardware-ul și talentul există deja. QML este provocatorul aflat la început, care ar putea în cele din urmă să-și croiască un nișă pe problemele unde structura cuantică își arată roadele. A le trata ca rivali ratează esența. Deocamdată joacă în ligi diferite, iar întrebarea interesantă este ce probleme vor trece în timp de la una la alta.

Această încadrare „ligi diferite” este și cel mai bun antidot la miturile care tind să însoțească acest domeniu, așa că hai să le abordăm direct.

Idei greșite comune despre învățarea automată cuantică

Câteva mituri urmăresc QML și merită limpezite.

„ML cuantic e mai rapid pentru orice.” Nu este. Accelerările propuse se aplică unor algoritmi specifici în condiții specifice. Pentru marea majoritate a sarcinilor de ML, o mașină cuantică nu oferă avantaj și rulează mai lent odată ce ții cont de hardware-ul de azi.

„Calculatoarele cuantice vor înlocui calculatoarele clasice.” Nu. Sunt acceleratoare specializate, orientate către o clasă îngustă de probleme, nu înlocuitori de uz general. Laptopul tău nu dispare nicăieri și nici partea clasică din orice model hibrid QML.

„QML este gata de producție azi.” Asta îi încurcă pe mulți nou-veniți. Domeniul este experimental, hardware-ul este limitat și zgomotos, iar aproape totul rulează pe simulatoare. QML e ceva de învățat și urmărit acum, nu ceva de livrat.

Cu hype-ul înlăturat, rămâi cu un domeniu cu adevărat interesant, care merită învățat în termenii lui. Așa că, dacă ești suficient de curios cât să scrii cod, iată de unde să începi.

Primele pași în învățarea automată cuantică

Dacă aceste concepte te fac curios să scrii cod, vestea bună este că instrumentele sunt open-source și prietenoase cu începătorii. PennyLane (biblioteca din exemplul de mai sus) și Qiskit sunt cele două puncte de intrare cel mai des întâlnite și ambele rulează pe simulatoare, așa că nu ai nevoie de acces la o mașină cuantică reală pentru a începe să experimentezi. Modulul de învățare automată al Qiskit include nuclee cuantice, clasificatoare și rețele neuronale gata de folosit și se conectează la PyTorch, ceea ce îl face o punte confortabilă dinspre munca clasică.

Sfatul meu: consolidează mai întâi bazele clasice. Bucla hibridă, optimizatorii, modul în care se antrenează un model — toate sunt clasice și pe ele te vei baza cel mai mult. Parcursul nostru Machine Learning Scientist in Python acoperă acea fundație, iar de acolo piesele specifice cuanticului sunt un adaos, nu un nou început. Învață rulând circuite și reglând parametri; să citești despre superpoziție te duce doar până la un punct.

Concluzie

Învățarea automată cuantică se află la intersecția a două domenii care evoluează rapid, împrumutând modul de reprezentare a informației din calculul cuantic pentru a aborda părți ale pipeline-ului de ML. Am încercat să păstrez lucrurile ancorate, pentru că subiectul atrage mai mult hype decât aproape orice altceva în tech acum, iar rezumatul onest este modest: QML este la început, în mare parte experimentală și cu adevărat incertă în privința locurilor unde va aduce beneficii.

Nu e un motiv să o ignori. E un motiv să înțelegi bazele acum, cât timp domeniul e încă suficient de mic ca să îl înveți cap-coadă. Dacă hardware-ul cuantic se maturizează așa cum speră optimiștii lui, cei care înțeleg deja cum se îmbină qubiții, circuitele și antrenarea hibridă vor fi pregătiți să-l folosească. Iar dacă nu se dovedește util peste tot, tot vei fi învățat un colț fascinant al informaticii, ceea ce, sincer, nu e un rezultat rău.