У 2018 році квантові техніки та сміливі розробники використовують квантові алгоритми для перетворення області оптимізації штучної нейронної мережі: бджолині коліна машинного навчання та AI. Тож ми можемо з певною впевненістю сказати, що завдяки квантовим алгоритмам майбутнє квантових обчислень та штучного інтелекту безнадійно заплутано. Тож давайте глибоко заглибимося в квантові алгоритми, які роблять хвилі в цифрову епоху. Я зверну особливу увагу на квантовий відпал (римується з почуттям), унікальну тварину, яка, здається, процвітає в районі, багатому AI, де класичні алгоритми часто борються або взагалі не спрацьовують: тренування штучних нейронних мереж.
Проблеми з тренуванням нейронної мережі? приєднатися до клубу…
Досить дивно, але ви можете навчити штучні нейронні мережі, такі як RNN та CNN, щоб розумувати і не робити одну і ту ж помилку двічі. Саме ця сила слідувати порадам Естер Дайсон, що робить нейронні мережі інтелектуальним двигуном, який керує машинним навчанням та AI. Тим не менш, навчання нейронних мереж – це, як відомо, складне завдання. Але це не завадило дослідникам та програмістам шалено працювати протягом останніх кількох років над пошуком нових способів зменшити помилки в навчанні за допомогою найсучасніших алгоритмів оптимізації. Перший удар проблеми зменшення помилок найбільш відомий як сходження на пагорб. Давайте пробіжемось.
Скелелазіння
Алгоритми оптимізації, які належать клубу для скелелазіння, завжди перевіряють градієнт (більшу або меншу крутість нахилу графічної функції) перед тим, як робити наступний хід. Але це створює реальний ризик пропустити реальну дію, що відбувається в пейзажі графіка. Два вороги альпіністів, з якими часто стикаються, – це проблема плато та проблема місцевих мінімумів. Одним словом, ці проблеми є еквівалентом мандрівника загубитися в заповненій міражем пустелі або застрягти в невеликій каламутній долині. Але давайте копати глибше …
Проблема плато
Коли процес оптимізації потрапляє на плато, це означає, що він отримує приблизно однакові результати (y) для кожного входу (x). Оскільки нахил функції дорівнює або близький до нуля при тривалих плоских розтяжках, в алгоритмі оптимізації може закінчитися час, перш ніж він знайде край. І як мерехтливий пустельний міраж, довгі ділянки плоских функцій можуть створити ілюзію, що ви досягли оптимального стану (в даному випадку загального мінімуму), коли ви поруч із ним не знаходитесь.
Проблема локальних мінімумів
Місцевий мінімум – це порівняно невелика долина на графіку функції, найглибша та найважливіша долина якої знаходиться в іншому місці. Ви можете уявити процес оптимізації (коли він шукає найнижче значення у функції) як пляжний м’яч: він буде котитися вниз і врешті-решт зупиниться в найнижчій точці безпосереднього ландшафту, навіть якщо з іншого боку є набагато глибша долина стороні сусіднього пагорба. У цьому проблема.
Найбільш захоплююче рішення
Існує ряд альтернатив звичайному сходженню на пагорби, які можуть допомогти вам вибратися із страшних долин, що виникають через проблему місцевих мінімумів, та пустельних міражів, спричинених проблемою плато. Але для цих цілей зупинимось на найцікавішому рішенні: імітаційному відпалі. Це дика порода тварини-оптимізатора, яка вирішує долини та плато обчислювально розумно, що варте принаймні кількох абзаців роздумів …
Найгарячіший і найкрутіший класичний алгоритм оптимізації
Щоб переслідувати погоню, імітований відпал краде у фізики, щоб пов’язати час і температуру в єдиному елегантному алгоритмі. Так, ви правильно прочитали: алгоритм із параметром температури. Коли ви запускаєте симульований алгоритм відпалу, він починається з абсолютно випадкової, шаленої серії виділень з усього ландшафту відповідної функції. Це гаряча фаза процесу. Але оскільки температурний параметр з часом падає, випадковий вибір охоплює дедалі вужчий діапазон ландшафту. Нарешті, ми вступаємо в прохолодну фазу процесу, коли алгоритм починає оселятися на (з невеликою удачею) найглибшій долині або найвищій вершині, де лежить святий Грааль оптимізації: глобальний мінімум або максимум.
Хоча код, який міститься в модельованих алгоритмах відпалу, як правило, містить певну важку математику, основний зв’язок між часом і температурою досить легко зрозуміти. Просто уявіть, як щось гаряче дико рухається по невідомому ландшафту, вражаючи все, що видно, і повідомляючи про дуже грубу картину вигляду землі. Тоді ви можете думати про поступово холодніші речі, які рухаються все повільніше і обережніше через все більш вузький регіон ландшафту, документуючи деталі, коли вони повзуть далі в найглибшу долину або на найвищу вершину … Добре, якщо ви досі не впевнений, про що, про що я говорю, ось чудова анімація, яка повинна зробити трюк.
Квантовий відпал (о, яке відчуття)
Модельований відпал часто може вивести вас з місця, коли інші альтернативи звичайному сходження на пагорб виявляються недостатніми. Але це надзвичайно спеціалізований підхід, і він страждає від принаймні одного холодного недоліку: вам потрібно запускати алгоритм нескінченно багато часу, щоб плавно досягти абсолютного нуля і тим самим гарантувати, що ви досягнете справжнього глобального мінімуму або максимуму в енергетичному ландшафті . Оскільки у вас, мабуть, немає цілої вічності, ви ніколи не дізнаєтесь, чи потрапило ваше рішення з оптимізації в чергову пастку.
Введіть квантовий відпал. По-перше, важливо мати на увазі, що алгоритми квантового відпалу у своїй базовій формі надзвичайно схожі на імітовані алгоритми відпалу. Чому? Оскільки сила квантового тунелювання відіграє ту саму роль у квантовому відпалі, що і температура при модельованому відпалі. З плином часу сила квантового тунелювання в квантовому відпалювачі різко падає, як різко падає температура в модельованому відпалювачі. Також легко уявити собі подібність між міцністю тунелювання та температурою. З часом і сила квантового тунелювання зменшується, система стає затишнішою і затишнішою з кожною поступово глибшою долиною в енергетичному ландшафті, і все менше і менше схильна до тунельного виходу. Зрештою, він взагалі відмовляється від тунелювання, коли опиняється (в ідеалі) на дні найглибшої та найзатишнішої долини в енергетичному ландшафті (АКА – глобальний мінімум).
Не квантовий комп’ютер вашої бабусі
Перша різниця, яку ви обов’язково помітите між відносно звичайними квантовими комп’ютерами та комп’ютерами з квантовим відпалом, – це кількість кубітів, яку вони використовують. У той час як сучасний рівень традиційних квантових комп’ютерів у 2018 році просуває кілька десятків кубітів, провідний квантовий відпалювач має понад 2000 кубітів. Звичайно, компромісом є те, що квантові відпалювачі не є універсальними, а спеціалізованими квантовими комп’ютерами, які технічно вирішують лише проблеми оптимізації та проблеми вибірки. Оскільки вирішення проблем оптимізації вважається одним із ключових шляхів до обіцяної AI землі, я збираюся зосередитись на цьому з цього моменту.
Запаморочливий стан безладу
Перш ніж ми застосуємо алгоритм квантового відпалу до пулу кубітів у нашому квантовому відпалювачі, у них є безлад: максимально похмура і не пов’язана конфігурація. Це означає, що ми починаємо нічого не знати про квантову систему, яка може знаходитися в будь-якому з 2 ^ n різних станів (де n – кількість кубітів). Для квантового відпалювача з 2000 кубітами це шалена кількість можливих станів. Якщо у вас є якісь сумніви щодо цього, спробуйте підключити 2² 2 до свого улюбленого калькулятора, щоб отримати другу думку.
Квант бажаючих добра
Окремі кубіти завжди починаються в початковому стані хмарної суперпозиції, що призводить до мінімально можливої енергії. Фізики люблять візуалізувати цей стан з найнижчою енергією як дно квантової потенційної ями, яка виглядає як велика буква U.
U
0/1
Потім відбувається квантовий відпал і змушує стан суперпозиції на дві половини, два стани, два дні свердловини: 0 і 1. Результат більше схожий на велику букву W:
В
0 1
Наступним кроком для квантового відпалювача є початок завантаження гральних кубиків на користь будинку в квантовій грі імовірності.
Упередження
За допомогою прикладеного магнітного поля квантовий відпалювач штовхає кожен кубіт, щоб він був сильно зміщений до 0 або 1: надаючи перевагу або першому, або другому занурення в W вище.
Муфти
Поки квантові лідери завантажують кубики (тобто окремі кубіти) з ухилами через магнітні поля, вони також зайняті зв’язуванням пар кубиків з теоретичними нитками через муфти. Зокрема, стяжка може зробити одне з двох. Він може гарантувати, що пара кубітів завжди знаходиться в одному стані: або обох, або обох 1. Або може гарантувати, що два сусідні кубіти завжди знаходяться в протилежному стані: 0 і 1, або 1 і 0. Квантовий сполучник використовує (сюрприз, сюрприз) квантове заплутання, щоб зв’язати кубіти і створити муфти
Ліплення енергетичного пейзажу
Як початківець розробник, який працює з квантовим відпалювачем, ваша робота – по суті завантажити всі квантові кубики, кодуючи колекцію упереджень та муфт, які визначають проблему оптимізації, яку ви хочете вирішити вашим надійним віджигачем. Інший спосіб подивитися на це – це те, що ви ліпите або, принаймні, створюєте витончений енергетичний ландшафт вершин та долин, що представляють усі можливі результати у вашій задачі оптимізації. Тоді ви розпускаєте квантовий відпалювач для пошуку та виведення самого дна найглибшої долини цього енергетичного ландшафту, що відповідає оптимальному рішенню. Якщо ви постійно досягаєте успіху, то ваш досвід квантового відпалу може допомогти забезпечити нове покоління машинного навчання та штучного інтелекту для нащадків.
Квантові обчислення та новини ai
31 серпня 2017 року Асоціація космічних досліджень університетів (USRA) оголосила, що у партнерстві з NASA та Google оновила комп’ютер квантового відпалу в лабораторії квантового штучного інтелекту (Quantum AI Lab) до D-Wave 2000Q. Маючи майже вдвічі більше кубітів, ніж його попередник, і новий хист до «адіабатичних квантових обчислень», остання хвиля D-Wave переслідує більших риб у ставку з проблемами оптимізації. Команда USRA навіть подивилася на використання квантових алгоритмів та хвилі D для вирішення “складних обчислювальних проблем, пов’язаних з місіями NASA”. Партнер Google, навпаки, дивиться на AI:
Ми особливо зацікавлені у застосуванні квантових обчислень для штучного інтелекту та машинного навчання.
Але не лише Google та NASA мають доступ до лабораторії Quantum AI. Вірте чи ні, ви можете теж. Якщо ви кваліфікований кандидат, ви можете просто приємно провести час із останньою версією D-Wave, щоб випробувати свою геніальну ідею. За словами власних лабораторій, “дзвінок відкритий”.
Ну, це все, що я маю на сьогодні. Якщо вам сподобалась ця стаття, я був би дуже радий, якщо ви натиснете кнопку “подобається” 🙂 або поділіться з цікавими друзями! У мене є набагато більше подібного в моєму особистому блозі (jasonroell.com), або ви можете просто підписатись на мій середній профіль і отримувати всі мої статті, як тільки я їх пишу! (як чудово ?!)
У будь-якому разі, ще раз дякую за читання чудового дня!
Спочатку ця публікація була опублікована за адресою https://www.linkedin.com/pulse/quantum-computing-ai-tie-knot-jason-roell/.
Jason Roell люб’язно дозволив нам перекласти і опублікувати цю статтю.
Temy.co - Software Development Partner 