Kvantmaskininlärning: begrepp, algoritmer och användningsfall

Vissa problem får klassiska datorer att svettas. Att simulera hur molekyler interagerar, söka i enorma kombinatoriska rum, faktorisera stora tal: arbetet växer snabbare än vad hårdvaran kan hinna ikapp. Kvantdatorer närmar sig dessa problem från ett annat håll, och en liten men växande grupp forskare frågar sig om den skillnaden också kan hjälpa maskininlärning.

Den frågan är vad kvantmaskininlärning (QML) handlar om. Den här guiden går igenom vad QML faktiskt är, de kvantidéer du behöver för att hänga med, de viktigaste algoritmerna som folk experimenterar med, och var fältet står just nu, vilket, jag säger redan nu, är tidigare i utvecklingen än rubrikerna ger sken av. Om du redan jobbar med klassisk ML via något som vår Machine Learning Scientist in Python-spår, kommer du att känna igen mer av strukturen här än du kanske väntar dig.

Vad är kvantmaskininlärning?

Kvantmaskininlärning använder kvantdatorer för att utföra, eller snabba upp, delar av en maskininlärningsuppgift. Det kan innebära att koda data till kvanttillstånd, köra en kvantkrets i stället för en klassisk modellkomponent, eller anropa en kvantdelrutin i en i övrigt normal träningsslinga. Etiketten täcker ett brett spann, från mestadels klassiska metoder med ett enda kvantsteg till modeller som är utformade för att köras helt på kvant-hårdvara.

Innan vi går vidare är det hjälpsamt att reda ut vad QML inte är, eftersom det är där de flesta missförstånd börjar. Det är inte en snabbare ersättning som du bara kan byta in i de modeller du redan använder, och det är inte på väg att ersätta klassisk ML över hela linjen. Större delen av fältet befinner sig på forskningsstadiet, körs på simulatorer eller små, brusiga kvantdatorer. Den ärliga inramningen: QML ställer en snävare fråga, nämligen om det finns specifika ML-problem där kvant-hårdvara erbjuder något som klassisk hårdvara inte enkelt kan matcha. För en handfull problemtyper ser svaret lovande ut. För de flesta är klassisk ML fortfarande rätt verktyg, och vår kurs Understanding Machine Learning täcker det som de flesta faktiskt behöver först.

Grunderna i kvantberäkning

Du behöver inte en fysikexamen för att följa resten av artikeln, men några idéer gör QML betydligt mindre mystiskt. Här är den korta versionen – hoppa vidare om de redan är bekanta.

Qubitar kontra bitar

En klassisk bit är antingen 0 eller 1. En qubit kan hålla en blandning av båda samtidigt och bestämmer sig först för en definitiv 0 eller 1 när du mäter den. Före mätning beskrivs en qubit av två amplituder som avgör sannolikheten för vardera utfallet. Det är hela tricket: ett register med n qubitar kan representera en kombination av 2ⁿ tillstånd samtidigt, där n klassiska bitar bara skulle kunna hålla ett av dessa tillstånd åt gången.

Haken (och det finns alltid en hake med kvantberäkning) är att du inte bara kan läsa ut alla dessa tillstånd. Mätningen kollapsar qubiten till ett enda värde, så att få ut användbar information kräver eftertanke. Den begränsningen betyder mer än det låter som vid första anblick, och det är en stor del av varför QML-algoritmer är utformade som de är, vilket du snart kommer att se.

Superposition och sammanflätning

Den där blandningen av tillstånd kallas superposition. Den andra idén, sammanflätning, är där det blir riktigt intressant: två eller fler qubitar kan bli så tätt korrelerade att du inte kan beskriva en utan att beskriva de andra. Mät en sammanflätad qubit och du vet omedelbart något om dess partner, åtminstone i princip över avstånd. Klassiska bitar har ingen motsvarighet till detta, och de flesta föreslagna fördelarna med kvantberäkning bygger på det på något sätt.

Kvantportar

Så hur arbetar du faktiskt med qubitar i superposition och sammanflätning? Det är där kvantportar kommer in. De är reversibla rotationer av en qubits tillstånd: en Hadamard-port sätter en qubit i superposition, en CNOT-port sammanflätar två qubitar. Kedja ihop portar och du får en kvantkrets, kvantversionen av ett program. Allt vilar på linjär algebra: tillstånd är vektorer, portar är matriser, och att köra en krets är en följd av matrisoperationer. Om den delen känns skakig, bär sig färdigheterna i linjär algebra från våra inlärningsvägar i data science över direkt.

Med qubitar, superposition, sammanflätning och portar på plats har du allt du behöver för att se hur delarna faktiskt sätts samman i ett QML-arbetsflöde.

Hur kvantmaskininlärning fungerar

På hög nivå har ett QML-arbetsflöde fyra steg. Först kodar du klassisk data till ett kvanttillstånd, oftast genom att mappa funktionsvärden till rotationsvinklar eller amplituder. För det andra applicerar du en kvantkrets, ofta en med justerbara parametrar. För det tredje mäter du kretsen, och kör den många gånger eftersom varje mätning ger endast ett kollapsat utfall och du behöver tillräckligt många stickprov för att uppskatta resultatet tillförlitligt. För det fjärde matar du tillbaka resultatet i en inlärningsprocess.

Det sista steget är där den mesta praktiska QML:n lever idag. I stället för att köra allt på en kvantdator bygger du en hybrid loop: den kvantkretsen producerar ett värde, en klassisk optimerare justerar kretsens parametrar, och cykeln upprepas, precis som när du tränar en modell, förutom att en del av beräkningen sker på kvant-hårdvara. Dagens kvantdatorer är brusiga och små (fältet kallar detta NISQ-eran, för noisy intermediate-scale quantum), så att hålla tungt arbete klassiskt och bara avlasta den del som gynnas är det pragmatiska valet. Jag återkommer till varför hybrid vinner i nästa avsnitt.

Typer av angreppssätt för kvantmaskininlärning

Nu när du sett det grundläggande fyrastegsarbetsflödet är det värt att fråga: hur mycket av det behöver faktiskt köras på kvant-hårdvara? Det finns ungefär tre sätt att kombinera kvantberäkning med maskininlärning, och de skiljer sig främst i hur mycket arbete kvantdatorn faktiskt gör.

Kvantförstärkt maskininlärning

Här är modellen i grunden klassisk, men ett dyrt steg lämnas över till en kvant-rutin för en potentiell snabbare beräkning: lösa ett linjärt system, uppskatta en kärna, samppla från en fördelning. Resten av pipelinen ser ut som den övervakade inlärning du skulle bygga i vår kurs Supervised Learning with scikit-learn.

Helt kvantbaserade modeller

I andra änden kör dessa från början till slut på kvant-hårdvara, med både data och modell i kvanttillstånd. De är den mest ambitiösa versionen av QML och, föga förvånande, minst praktiska just nu: nuvarande hårdvara kan inte stödja dem i någon användbar skala.

Hybrida kvant-klassiska modeller

Mellan dessa två ytterligheter finns angreppssättet som faktiskt fungerar idag, och där nästan all seriös QML-forskning befinner sig. En parameteriserad kvantkrets hanterar en del av beräkningen medan en klassisk optimerare tränar den. Det kringgår begränsningarna med små, brusiga hårdvaror genom att be kvantdatorn göra bara det den för närvarande är bra på.

Algoritmer för kvantmaskininlärning

Du kommer att se samma handfull algoritmfamiljer dyka upp om och om igen. Jag håller detta på en övergripande nivå – matematiken blir snabbt djup, och du behöver den inte för att förstå vad varje algoritm är till för.

Variationsbaserade kvantkretsar (VQC)

En variationsbaserad kvantkrets är en kvantkrets med ställbara parametrar, tränad i den hybrida loopen jag beskrev tidigare. Det är arbetsredskapet för QML på kort sikt och grunden för de flesta andra modeller här. Så här ser en ut i grova drag i PennyLane, ett populärt öppet QML-bibliotek:

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))

Vikterna är det som den klassiska optimeraren uppdaterar över många iterationer, på samma sätt som gradientnedstigning uppdaterar en neuronnätsvikter. Med det mönstret på plats kommer återstående algoritmer att kännas som variationer på ett tema.

Kvantbaserade supportvektormaskiner

En kvantbaserad supportvektormaskin behåller strukturen hos en klassisk SVM men använder en kvantkrets för att beräkna kärnan: likheten mellan datapunkter. Förhoppningen är att ett kvantfunktionsrum kan fånga mönster som en klassisk kärna skulle ha svårt med. Om det hjälper på verkliga dataset är fortfarande en öppen fråga.

Kvantneurala nätverk (QNN)

Kvantneurala nätverk ordnar parameteriserade kretsar i lager och tränar dem ungefär som klassiska nätverk. Om du har tränat en modell i vår kurs Introduction to Deep Learning in Python är loopen bekant: framåtpass, förlust, uppdatering – bara det att framåtpasset körs på en kvantkrets.

Kvant k-means

Kvant k-means är klustringsvarianten: den använder kvantdelrutiner för att uppskatta avstånd mellan punkter, den operation som dominerar klassisk k-means i stor skala. Det är det mest direkta exemplet på att "byta ut ett dyrt steg mot en kvantversion" på den här listan.

Du kanske undrar, med alla dessa algoritmer, om någon av dem faktiskt levererar de utlovade kvantsnabbheterna. Det är precis vad vi tittar på härnäst.

Potentiella fördelar med kvantmaskininlärning

Tre möjliga pluspoäng nämns oftast. Vissa strukturerade problem, till exempel simulering av kvantsystem inom kemi och material, mappar naturligt till kvant-hårdvara, och det är området där en fördel ser mest sannolik ut. Kvantfunktionsrum kan också representera komplexa samband som är svåra att fånga klassiskt. Och för några specifika algoritmer pekar teorin på stora, till och med exponentiella, snabbheter.

Observera att jag fortsätter säga potentiella. Dessa fördelar är mestadels bevisade på papper, under antaganden som verklig hårdvara ännu inte uppfyller. Ett favoritexempel på glappet: flera teoretiska snabbheter antar att din data redan är inläst i ett kvanttillstånd, men att ladda klassisk data till det tillståndet kan kosta lika mycket som snabbheten sparar. Den typen av dolda flaskhalsar är exakt varför utlovade fördelar och demonstrerade fördelar fortfarande är två helt olika listor.

Givet det glappet är det värt att ta ett steg tillbaka och ställa klassisk och kvant-ML sida vid sida direkt.

Kvantmaskininlärning vs. klassisk maskininlärning

Det renaste sättet att se skillnaden är side by side.

Klassisk ML dominerar riktigt arbete idag och kommer att göra det under överskådlig framtid: verktygen, hårdvaran och kompetensen finns där. QML är den tidiga utmanaren som så småningom kan skaffa sig en nisch på problem där dess kvantstruktur lönar sig. Att behandla dem som rivaler missar poängen. För närvarande spelar de i olika divisioner, och den intressanta frågan är vilka problem som så småningom kommer att korsa gränsen.

Den där inramningen med "olika divisioner" är också det bästa motgiftet mot myterna som tenderar att följa det här fältet, så låt oss ta dem direkt.

Vanliga missuppfattningar om kvantmaskininlärning

Några myter följer QML, och de är värda att reda ut.

"Kvant-ML är snabbare för allt." Det är det inte. De föreslagna snabbheterna gäller specifika algoritmer under specifika villkor. För den stora majoriteten av ML-uppgifter erbjuder en kvantdator ingen fördel, och den körs långsammare när du räknar in dagens hårdvara.

"Kvantdatorer kommer att ersätta klassiska datorer." Nej. De är specialiserade acceleratorer för en smal klass av problem, inte allmänna ersättare. Din laptop kommer ingenstans, och det gör inte heller den klassiska delen av varje hybrid QML-modell.

"QML är redo för produktion idag." Den här snubblar många nykomlingar på. Fältet är experimentellt, hårdvaran är brusig och liten, och nästan allt körs på simulatorer. QML är något att lära sig och följa nu, inte något att skeppa.

När hypen skalats bort återstår ett genuint intressant fält som är värt att lära sig på sina egna villkor. Så om du är nyfiken nog att vilja skriva lite kod, här är var du börjar.

Kom igång med kvantmaskininlärning

Om begreppen gör dig nyfiken nog att skriva kod är den goda nyheten att verktygen är öppna och nybörjarvänliga. PennyLane (biblioteket i exemplet ovan) och Qiskit är de två vanligaste ingångarna, och båda körs på simulatorer, så du behöver inte tillgång till en riktig kvantdator för att börja experimentera. Qiskits maskininlärningsmodul levereras med färdiga kvantkärnor, klassificerare och neurala nätverk, och den kopplar mot PyTorch, vilket gör den till en bekväm bro från klassiskt arbete.

Mitt råd: se till att den klassiska grunden är stabil först. Den hybrida loopen, optimerarna, hur en modell tränas – allt det är klassiskt, och det är den del du kommer att luta dig mest mot. Vårt Machine Learning Scientist in Python-spår täcker den grunden, och därifrån är de kvantspecifika delarna ett tillägg snarare än en nystart. Lär genom att köra kretsar och justera parametrar; att läsa om superposition tar dig bara en bit på vägen.

Slutsats

Kvantmaskininlärning sitter i skärningspunkten mellan två snabbt rörliga fält och lånar kvantberäkningens sätt att representera information för att ta sig an delar av ML-pipelinen. Jag har försökt hålla detta förankrat, eftersom ämnet drar till sig mer hype än nästan allt annat inom tech just nu, och den ärliga sammanfattningen är blygsam: QML är tidigt, mestadels experimentellt och genuint osäkert kring var det kommer att löna sig.

Det är inte ett skäl att ignorera det. Det är ett skäl att förstå grunderna nu, medan fältet fortfarande är tillräckligt litet för att lära sig från början till slut. Om kvant-hårdvara mognar så som dess optimister hoppas, kommer de som redan förstår hur qubitar, kretsar och hybridträning passar ihop att vara redo att använda det. Och om det inte slår igenom överallt har du ändå lärt dig ett fascinerande hörn av datorvetenskapen, vilket, ärligt talat, inte heller är ett dåligt utfall.