Quantum Machine Learning: แนวคิด อัลกอริทึม และกรณีใช้งาน

บางปัญหาทำให้คอมพิวเตอร์แบบดั้งเดิมเหงื่อตก การจำลองปฏิสัมพันธ์ของโมเลกุล การค้นหาพื้นที่เชิงผสมผสานขนาดมหึมา การแยกตัวประกอบของตัวเลขขนาดใหญ่: งานเติบโตเร็วเกินกว่าฮาร์ดแวร์จะตามทัน ควอนตัมคอมพิวติ้งเข้าหาปัญหาเหล่านี้ด้วยมุมมองที่ต่างออกไป และมีนักวิจัยกลุ่มเล็กแต่เพิ่มจำนวนขึ้นเรื่อย ๆ ตั้งคำถามว่าความแตกต่างนั้นจะช่วยงานแมชชีนเลิร์นนิงได้หรือไม่

คำถามนั้นเองคือสิ่งที่ quantum machine learning (QML) ว่าด้วย บทความนี้จะพาไปดูว่า QML คืออะไรกันแน่ แนวคิดควอนตัมที่ต้องรู้เพื่อทำความเข้าใจ อัลกอริทึมหลักที่ผู้คนกำลังทดลองใช้ และสถานภาพของสาขานี้ในตอนนี้ ซึ่งต้องบอกตรง ๆ ว่ายังอยู่ช่วงต้นกว่าพาดหัวข่าวจะชวนให้คิด หากทำงานกับ ML แบบดั้งเดิมอยู่แล้วด้วยสิ่งอย่างเช่น Machine Learning Scientist in Python ของเรา โครงสร้างหลายส่วนที่พบที่นี่จะคุ้นกว่าที่คิด

Quantum Machine Learning คืออะไร?

Quantum machine learning ใช้ควอนตัมคอมพิวติ้งเพื่อดำเนินการหรือเร่งส่วนหนึ่งส่วนใดของงานแมชชีนเลิร์นนิง อาจหมายถึงการเข้ารหัสข้อมูลเป็นสถานะควอนตัม การรันวงจรควอนตัมแทนองค์ประกอบของโมเดลแบบดั้งเดิม หรือเรียกใช้ซับรูทีนควอนตัมภายในลูปการเทรนตามปกติ ป้ายชื่อ QML ครอบคลุมกว้างมาก ตั้งแต่วิธีที่เป็นแบบดั้งเดิมเกือบทั้งหมดแต่มีขั้นตอนควอนตัมเพียงขั้นตอนเดียว ไปจนถึงโมเดลที่ออกแบบมาให้รันบนฮาร์ดแวร์ควอนตัมทั้งหมด

ก่อนจะไปต่อ ควรชี้ให้ชัดว่า QML ไม่ใช่อะไร เพราะตรงนี้มักเป็นจุดเริ่มของความสับสน มันไม่ใช่ส่วนเสริมที่เสียบแทนโมเดลที่ใช้อยู่แล้วให้เร็วขึ้น และไม่ใช่เทคโนโลยีที่จะมาแทนที่ ML แบบดั้งเดิมทั้งหมด ส่วนใหญ่ของสาขานี้ยังอยู่ระดับวิจัย รันบนซิมูเลเตอร์หรือเครื่องควอนตัมขนาดเล็กและมีสัญญาณรบกวน การวางกรอบที่ซื่อสัตย์: QML ถามคำถามที่แคบกว่า คือมีปัญหา ML แบบเฉพาะใดบ้างที่ฮาร์ดแวร์ควอนตัมให้สิ่งที่ฮาร์ดแวร์แบบดั้งเดิมเทียบยากหรือไม่? สำหรับปัญหาบางประเภท คำตอบดูมีแวว สำหรับส่วนมาก ML แบบดั้งเดิมยังเป็นเครื่องมือที่เหมาะกว่า และคอร์ส Understanding Machine Learning ของเราครอบคลุมพื้นฐานที่คนส่วนใหญ่จำเป็นต้องรู้ก่อน

พื้นฐานของควอนตัมคอมพิวติ้ง

ไม่จำเป็นต้องมีปริญญาฟิสิกส์เพื่ออ่านต่อ แต่มีแนวคิดไม่กี่อย่างที่จะทำให้ QML ดูลึกลับน้อยลง นี่คือฉบับย่อ ข้ามได้หากคุ้นเคยแล้ว

คิวบิตเทียบกับบิต

บิตแบบดั้งเดิมจะเป็น 0 หรือ 1 เท่านั้น คิวบิตสามารถอยู่ในส่วนผสมของทั้งสองพร้อมกัน และจะกำหนดค่าเป็น 0 หรือ 1 ที่แน่นอนได้เมื่อวัดเท่านั้น ก่อนวัด คิวบิตถูกอธิบายด้วยแอมพลิจูดสองตัวที่กำหนดความน่าจะเป็นของแต่ละผลลัพธ์ นี่แหละคือแก่น: เรจิสเตอร์ที่มีคิวบิต n ตัวสามารถแสดงการผสมของสถานะได้ 2ⁿ สถานะพร้อมกัน ขณะที่บิตแบบดั้งเดิม n ตัวเก็บได้เพียงสถานะเดียวในแต่ละครั้ง

ข้อจำกัดคือไม่สามารถอ่านสถานะทั้งหมดนั้นออกมาได้ การวัดจะทำให้คิวบิตยุบเหลือค่าเดียว การดึงข้อมูลที่เป็นประโยชน์กลับมาต้องอาศัยความระมัดระวัง ข้อจำกัดนี้สำคัญกว่าที่ฟังครั้งแรก และเป็นเหตุผลใหญ่ที่ทำไมอัลกอริทึม QML จึงถูกออกแบบเช่นที่เห็น ซึ่งจะปรากฏชัดในอีกไม่กี่ส่วนถัดไป

ซูเปอร์โพสิชันและเอนแทงเกิลเมนต์

ส่วนผสมของสถานะนั้นเรียกว่าซูเปอร์โพสิชัน แนวคิดที่สองคือเอนแทงเกิลเมนต์ ซึ่งทำให้เรื่องน่าสนใจ: คิวบิตตั้งแต่สองตัวขึ้นไปสามารถมีความสัมพันธ์กันแน่นแฟ้นจนไม่อาจอธิบายตัวหนึ่งโดยปราศจากอีกตัวได้ วัดคิวบิตที่พัวพันกันตัวหนึ่ง จะทราบบางอย่างเกี่ยวกับคู่ของมันทันที แม้ในหลักการที่อยู่ห่างไกลกัน บิตแบบดั้งเดิมไม่มีสิ่งที่เทียบเท่า และข้อได้เปรียบที่คาดหวังของควอนตัมคอมพิวติ้งส่วนใหญ่ก็พึ่งพามันไม่ทางใดก็ทางหนึ่ง

เกตควอนตัม

แล้วจะทำงานกับคิวบิตในสภาวะซูเปอร์โพสิชันและเอนแทงเกิลเมนต์อย่างไร นั่นคือหน้าที่ของเกตควอนตัม พวกมันคือการหมุนสถานะของคิวบิตแบบย้อนกลับได้: เกต Hadamard ทำให้คิวบิตเข้าสู่ซูเปอร์โพสิชัน เกต CNOT ทำให้คิวบิตสองตัวเอนแทงเกิลกัน ต่อเกตเข้าด้วยกันก็ได้วงจรควอนตัม ซึ่งเทียบได้กับโปรแกรมในโลกควอนตัม ทั้งหมดตั้งอยู่บนพีชคณิตเชิงเส้น: สถานะคือเวกเตอร์ เกตคือเมทริกซ์ และการรันวงจรคือการคูณเมทริกซ์ตามลำดับ หากส่วนนี้ยังไม่มั่นใจ ทักษะพีชคณิตเชิงเส้นจากเส้นทางการเรียนด้านวิทยาการข้อมูลของเรานำมาใช้ตรงนี้ได้โดยตรง

เมื่อมีคิวบิต ซูเปอร์โพสิชัน เอนแทงเกิลเมนต์ และเกตอยู่ในมือ ก็พร้อมจะเห็นแล้วว่าส่วนต่าง ๆ มารวมกันเป็นเวิร์กโฟลว์ QML อย่างไร

กลไกการทำงานของ Quantum Machine Learning

ในภาพรวม เวิร์กโฟลว์ QML มีสี่ขั้นตอน ขั้นแรก เข้ารหัสข้อมูลแบบดั้งเดิมเข้าไปเป็นสถานะควอนตัม มักทำโดยแมปค่าคุณลักษณะไปเป็นมุมการหมุนหรือแอมพลิจูด ขั้นที่สอง ใช้วงจรควอนตัม ซึ่งมักมีพารามิเตอร์ปรับได้ ขั้นที่สาม วัดวงจร โดยต้องรันหลายครั้งเพราะแต่ละครั้งจะได้ผลลัพธ์ที่ยุบเพียงค่าเดียว และต้องการตัวอย่างมากพอเพื่อประมาณผลอย่างน่าเชื่อถือ ขั้นที่สี่ ป้อนผลลัพธ์กลับเข้าไปในกระบวนการเรียนรู้

ขั้นสุดท้ายนี่เองที่เป็นที่อยู่ของ QML ที่ใช้งานได้จริงในวันนี้ แทนที่จะรันทุกอย่างบนเครื่องควอนตัม จะสร้างลูปแบบไฮบริด: วงจรควอนตัมผลิตค่า ออปติไมเซอร์แบบดั้งเดิมปรับพารามิเตอร์ของวงจร แล้ววนซ้ำ เหมือนการเทรนโมเดลทุกประการ ยกเว้นว่ามีส่วนหนึ่งของการคำนวณเกิดบนฮาร์ดแวร์ควอนตัม เครื่องควอนตัมสมัยนี้มีสัญญาณรบกวนและขนาดเล็ก (วงการเรียกยุคนี้ว่า NISQ หรือ noisy intermediate-scale quantum) ดังนั้นให้ส่วนหนักอยู่ฝั่งดั้งเดิมและส่งต่อเฉพาะส่วนที่ได้ประโยชน์ไปยังควอนตัมจึงเป็นทางเลือกที่ปฏิบัติได้จริง จะย้อนกลับมาว่าทำไมไฮบริดจึงชนะในส่วนถัดไป

ประเภทแนวทางของ Quantum Machine Learning

เมื่อเห็นเวิร์กโฟลว์สี่ขั้นพื้นฐานแล้ว คำถามคือ ส่วนไหนของเวิร์กโฟลว์จำเป็นต้องรันบนฮาร์ดแวร์ควอนตัมจริง ๆ บ้าง โดยคร่าว ๆ มีสามวิธีในการผสานควอนตัมคอมพิวติ้งเข้ากับแมชชีนเลิร์นนิง และต่างกันหลัก ๆ ที่ปริมาณงานที่เครื่องควอนตัมทำจริง

Quantum-enhanced machine learning

โมเดลส่วนใหญ่ยังเป็นแบบดั้งเดิม แต่ส่งต่อขั้นตอนที่แพงขั้นตอนหนึ่งไปให้รูทีนควอนตัมเพื่อหวังความเร็วขึ้น: แก้ระบบสมการเชิงเส้น ประมาณเคอร์เนล สุ่มตัวอย่างจากการกระจาย ส่วนที่เหลือของไปป์ไลน์ยังเหมือนการเรียนรู้แบบมีผู้สอนที่สร้างในคอร์ส Supervised Learning with scikit-learn ของเรา

โมเดลควอนตัมเต็มรูปแบบ

สุดขั้วอีกฝั่งคือรันตั้งแต่ต้นจนจบบนฮาร์ดแวร์ควอนตัม โดยทั้งข้อมูลและโมเดลอยู่ในสถานะควอนตัมทั้งหมด นี่คือเวอร์ชันที่ทะเยอทะยานที่สุดของ QML และไม่น่าแปลกที่ตอนนี้ใช้ไม่ได้จริง: ฮาร์ดแวร์ปัจจุบันยังรองรับไม่ได้ในสเกลที่มีประโยชน์

โมเดลไฮบริดควอนตัม-ดั้งเดิม

อยู่ระหว่างสองสุดขั้วคือแนวทางที่ใช้งานได้จริงในวันนี้ และเป็นที่รวมของงานวิจัย QML ที่จริงจังเกือบทั้งหมด วงจรควอนตัมที่มีพารามิเตอร์จัดการบางส่วนของการคำนวณ ขณะที่ออปติไมเซอร์แบบดั้งเดิมทำหน้าที่เทรน มันหลบข้อจำกัดของฮาร์ดแวร์ที่เล็กและมีสัญญาณรบกวน ด้วยการให้เครื่องควอนตัมทำเฉพาะสิ่งที่มันทำได้ดีในตอนนี้

อัลกอริทึมของ Quantum Machine Learning

จะเห็นกลุ่มอัลกอริทึมชุดเดิม ๆ โผล่มาซ้ำแล้วซ้ำเล่า ขอสรุประดับสูง คณิตศาสตร์ลงลึกเร็วมาก และไม่จำเป็นต้องรู้ทั้งหมดเพื่อเข้าใจว่าแต่ละตัวใช้ทำอะไร

Variational quantum circuits (VQC)

Variational quantum circuit คือวงจรควอนตัมที่มีพารามิเตอร์ปรับได้ เทรนด้วยลูปไฮบริดที่กล่าวไปแล้ว เป็นม้าทำงานของ QML ระยะใกล้ และเป็นฐานของโมเดลอื่น ๆ ส่วนใหญ่ในที่นี้ ตัวอย่างคร่าว ๆ หน้าตาใน PennyLane ซึ่งเป็นไลบรารี QML โอเพนซอร์สยอดนิยม มีดังนี้:

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))

เวกต์เวทคือสิ่งที่ออปติไมเซอร์แบบดั้งเดิมอัปเดตผ่านการวนซ้ำหลายครั้ง เหมือนที่กราดิเอนต์ดีเซนต์อัปเดตเวทของโครงข่ายประสาท เมื่อเห็นแพตเทิร์นนี้แล้ว อัลกอริทึมที่เหลือจะรู้สึกเหมือนแปรแบบบนธีมเดียวกัน

Quantum support vector machines

Quantum SVM คงโครงสร้างของ SVM แบบดั้งเดิมไว้ แต่ใช้วงจรควอนตัมคำนวณเคอร์เนล คือความคล้ายกันระหว่างจุดข้อมูล ความหวังคือปริภูมิคุณลักษณะเชิงควอนตัมอาจจับลวดลายที่เคอร์เนลแบบดั้งเดิมทำได้ยาก ประเด็นว่าสิ่งนี้ช่วยบนชุดข้อมูลจริงหรือไม่ยังเปิดกว้าง

Quantum neural networks (QNNs)

Quantum neural networks จัดเรียงวงจรที่มีพารามิเตอร์เป็นชั้น ๆ และเทรนคล้ายโครงข่ายแบบดั้งเดิม หากเคยเทรนโมเดลในคอร์ส Introduction to Deep Learning in Python วงรอบจะคุ้น: เดินหน้า คำนวณ loss อัปเดต เพียงแต่การเดินหน้ารันบนวงจรควอนตัม

Quantum k-means

Quantum k-means คืออัลกอริทึมจัดกลุ่ม ใช้ซับรูทีนควอนตัมเพื่อประมาณระยะห่างระหว่างจุด ซึ่งเป็นงานหลักที่ครองเวลาใน k-means แบบดั้งเดิมเมื่อสเกลใหญ่ขึ้น นี่เป็นตัวอย่างตรงไปตรงมาที่สุดของการ "สลับขั้นตอนที่แพงหนึ่งขั้นเป็นเวอร์ชันควอนตัม" ในรายการนี้

อาจสงสัยว่าท่ามกลางอัลกอริทึมทั้งหมดนี้ มีตัวไหนทำตามคำสัญญาเรื่องความเร็วขึ้นของควอนตัมได้จริงหรือไม่ นั่นแหละที่เราจะดูต่อไป

ข้อได้เปรียบที่เป็นไปได้ของ Quantum Machine Learning

มีสามประเด็นหลักที่ถูกพูดถึงบ่อย ปัญหาแบบมีโครงสร้างบางชนิด เช่น การจำลองระบบควอนตัมในเคมีและวัสดุศาสตร์ สอดคล้องกับฮาร์ดแวร์ควอนตัมโดยธรรมชาติ และตรงนั้นคือพื้นที่ที่ดูมีโอกาสได้เปรียบ ปริภูมิคุณลักษณะเชิงควอนตัมอาจแทนความสัมพันธ์ที่ซับซ้อนได้ดีกว่าแบบดั้งเดิม และสำหรับอัลกอริทึมบางตัว ทฤษฎีชี้ไปที่ความเร็วขึ้นมาก แม้ถึงขั้นเอ็กซ์โพเนนเชียล

สังเกตว่าผมยังใช้คำว่าเป็นไปได้อยู่ ข้อได้เปรียบเหล่านี้ส่วนใหญ่พิสูจน์ได้บนกระดาษ ภายใต้สมมติฐานที่ฮาร์ดแวร์จริงยังไปไม่ถึง ตัวอย่างช่องว่างยอดนิยม: ความเร็วขึ้นตามทฤษฎีหลายกรณีสมมติว่าข้อมูลถูกโหลดเข้าเป็นสถานะควอนตัมแล้ว แต่การโหลดข้อมูลแบบดั้งเดิมเข้าไปเป็นสถานะนั้นอาจมีต้นทุนเท่ากับที่ความเร็วขึ้นช่วยได้ ข้อคอขวดที่ซ่อนอยู่แบบนี้เองที่ทำให้ “ข้อได้เปรียบที่อ้าง” กับ “ข้อได้เปรียบที่แสดงให้เห็นจริง” ยังเป็นสองรายการที่ต่างกันมาก

เมื่อเห็นช่องว่างนั้น จึงคุ้มที่จะวาง ML แบบดั้งเดิมและแบบควอนตัมไว้ข้าง ๆ กันโดยตรง

Quantum Machine Learning เทียบกับ Classical Machine Learning

วิธีที่ชัดที่สุดในการเห็นความต่างคือ เปรียบเทียบเคียงข้างกัน

ML แบบดั้งเดิมครองงานจริงในวันนี้และจะเป็นเช่นนั้นต่อไปในอนาคตอันใกล้: ทั้งเครื่องมือ ฮาร์ดแวร์ และบุคลากรพร้อมสรรพ QML เป็นผู้ท้าชิงระยะเริ่มต้นที่อาจเจาะช่องว่างได้ในปัญหาที่โครงสร้างควอนตัมให้ผลตอบแทน มองทั้งสองเป็นคู่แข่งจึงพลาดประเด็น ตอนนี้พวกเขาเล่นกันคนละลีก และคำถามที่น่าสนใจคือปัญหาแบบใดจะข้ามขอบเขตในที่สุด

กรอบคิดเรื่อง “คนละลีก” ยังเป็นยาถอนความเชื่อผิด ๆ ที่มักตามติดสาขานี้ ดังนั้นมาจัดการกันตรง ๆ

ความเข้าใจผิดที่พบบ่อยเกี่ยวกับ Quantum Machine Learning

มีความเชื่อผิดไม่กี่ข้อที่ตามหลอกหลอน QML ควรเคลียร์ให้ชัด

"Quantum ML เร็วกว่าในทุกอย่าง" ไม่จริง ความเร็วขึ้นที่เสนอใช้ได้กับอัลกอริทึมเฉพาะภายใต้เงื่อนไขเฉพาะ สำหรับงาน ML ส่วนใหญ่ เครื่องควอนตัมไม่มีข้อได้เปรียบ และจะช้ากว่าเมื่อคำนึงถึงฮาร์ดแวร์ในปัจจุบัน

"คอมพิวเตอร์ควอนตัมจะมาแทนคอมพิวเตอร์แบบดั้งเดิม" ไม่ใช่ พวกมันคือแอกเซลเลอเรเตอร์เฉพาะทางสำหรับปัญหากลุ่มแคบ ๆ ไม่ใช่ตัวแทนที่ใช้งานทั่วไป แล็ปท็อปยังอยู่ และส่วนแบบดั้งเดิมในทุกโมเดล QML แบบไฮบริดก็เช่นกัน

"QML พร้อมใช้ในโปรดักชันวันนี้" นี่แหละที่ทำให้มือใหม่สะดุด วงการยังเชิงทดลอง ฮาร์ดแวร์จำกัดและมีสัญญาณรบกวน และแทบทั้งหมดรันบนซิมูเลเตอร์ QML เป็นสิ่งที่ควรเรียนรู้และติดตามตอนนี้ ไม่ใช่สิ่งที่พร้อมปล่อยใช้งาน

เมื่อปัดฝุ่นโฆษณาเกินจริงทิ้งไป จะเหลือสาขาที่น่าสนใจจริง ๆ ซึ่งคุ้มค่าต่อการเรียนรู้ในเงื่อนไขของมันเอง ดังนั้นหากอยากลองเขียนโค้ด นี่คือจุดเริ่ม

เริ่มต้นกับ Quantum Machine Learning

หากแนวคิดเหล่านี้ทำให้สนใจอยากลงมือเขียนโค้ด ข่าวดีคือเครื่องมือเป็นโอเพนซอร์สและเป็นมิตรกับผู้เริ่มต้น PennyLane (ไลบรารีในตัวอย่างด้านบน) และ Qiskit คือสองจุดเริ่มต้นที่พบบ่อย และทั้งคู่รันบนซิมูเลเตอร์ จึงไม่ต้องเข้าถึงเครื่องควอนตัมจริงเพื่อเริ่มทดลอง โมดูลแมชชีนเลิร์นนิงของ Qiskit มีเคอร์เนล ตัวจัดจำแนก และโครงข่ายประสาทแบบควอนตัมพร้อมใช้ และเชื่อมต่อกับ PyTorch ทำให้เป็นสะพานเชื่อมจากงานแบบดั้งเดิมที่คุ้นเคย

คำแนะนำของผม: ปูพื้นฐานแบบดั้งเดิมให้แน่นก่อน ลูปไฮบริด ออปติไมเซอร์ วิธีที่โมเดลเทรน ทั้งหมดนั้นเป็นแบบดั้งเดิม และจะเป็นส่วนที่พึ่งพามากที่สุด เส้นทาง Machine Learning Scientist in Python ของเราครอบคลุมรากฐานนั้น และจากตรงนั้น ชิ้นส่วนเฉพาะทางด้านควอนตัมเป็นส่วนต่อเติม ไม่ใช่การเริ่มใหม่ทั้งหมด เรียนรู้โดยการรันวงจรและปรับพารามิเตอร์; อ่านเรื่องซูเปอร์โพสิชันอย่างเดียวพาไปได้แค่จุดหนึ่ง

สรุป

Quantum machine learning อยู่ตรงจุดบรรจบของสองสาขาที่เคลื่อนไหวเร็ว นำวิธีแทนข้อมูลของควอนตัมคอมพิวติ้งมารับช่วงบางส่วนของไปป์ไลน์ ML ผมพยายามเล่าอย่างติดดิน เพราะหัวข้อนี้ดึงดูดโฆษณาเกินจริงมากกว่าสิ่งใดในเทคตอนนี้ และสรุปอย่างซื่อสัตย์นั้นเรียบง่าย: QML ยังอยู่ช่วงต้น ส่วนใหญ่ยังทดลอง และยังไม่แน่ชัดว่าจะให้ผลตรงไหน

นั่นไม่ใช่เหตุผลให้มองข้าม แต่เป็นเหตุผลให้เข้าใจพื้นฐานตอนนี้ ในขณะที่สาขายังเล็กพอจะเรียนรู้ได้ตั้งแต่ต้นจนจบ หากฮาร์ดแวร์ควอนตัมเติบโตอย่างที่ผู้มองโลกในแง่ดีหวังไว้ ผู้ที่เข้าใจแล้วว่าคิวบิต วงจร และการเทรนแบบไฮบริดเข้ากันอย่างไรจะพร้อมใช้งาน และหากมันไม่เวิร์กในทุกที่ คุณก็ยังได้เรียนรู้มุมมองที่น่าหลงใหลของคอมพิวติ้ง ซึ่งเอาตรง ๆ ก็ไม่ใช่ผลลัพธ์ที่แย่เลย