Sinir ağları klasik bilgisayarlar için makine öğreniminde devrim yarattı: kendi kendine giden otomobiller, dil çevirisi ve hatta yapay zeka yazılımı mümkün oldu. O halde, araştırmacıların aynı gücü kuantum bilgisayarlara aktarmak istedikleri şaşırtıcı değil – ancak bunu yapmaya yönelik tüm girişimler öngörülemeyen sorunlar getirdi.
Bununla birlikte, son zamanlarda, Los Alamos Ulusal Laboratuvarı’ndaki bir ekip, Gauss süreci adı verilen bir şeyden yararlanarak aynı matematiksel kavramları kuantum bilgisayarlara getirmek için yeni bir yol geliştirdi.
Los Alamos ekibinin baş bilim adamı Marco Cerezo, “Bu proje için amacımız, gerçek kuantum Gauss süreçlerinin var olup olmadığını kanıtlayıp kanıtlayamayacağımızı görmekti.” Dedi. “Böyle bir sonuç yenilikleri ve kuantum makine öğrenimini gerçekleştirmenin yeni biçimlerini teşvik edecektir.”
Makine öğrenimi alanındaki en temel atılımlardan biri, büyük sinir ağlarının Gauss süreçlerine birleştiğinin farkına varmasından sonra geldi. Bir sinir ağı, verilen bilgiler hakkında eğitimli tahminler yapan milyonlarca “nöron”, esasen matematiksel düğümler içerebilir.
Bireysel olarak rastgele ve tarafsız olsa da, milyonlarca tahminden sonra, bu nöronların sürecinin bilgisi, araştırmacıların ortalamayı tahmin etmesini sağlayan bir çan eğrisi olarak da adlandırılan bir Gauss eğrisine uyuyor.
Esasen, ekip aynı Gauss eğrisinin bazı kuantum bilgi işlem süreçleri için geçerli olduğunu kanıtlayabildi – kuantum bilgi işlem yeteneklerini önemli ölçüde değiştirmeyi vaat eden bir gelişme.
Los Alamos ekibi, dergide yayınlanan yeni bir makalede bulgularını özetliyor Doğa fiziği.
Yeni öğrenme yolu bilinen sorunlardan kaçınır
Sinir ağları, kendi başlarına “öğrenmek” için ayarlanabilecek varyasyon parametrelerinden yararlanarak çalışan “parametrik modeller” adlı bir aile arasındadır. Klasik bilgi işlemdeki başarısından sonra, bilim adamları, klasik bilgisayarlar için çok karmaşık görevler gerçekleştirdikçe bu makinelerin gücünü artırmaya söz veren kuantum hesaplama için sinir ağlarından yararlanmak istediler.
Ancak yıllarca süren araştırmalardan sonra, laboratuvar ekibi kuantum bilgi işlem ortamındaki parametrik modellerin, matematiksel ölümlere yol açan çorak platolar gibi öngörülemeyen sorunlar yaratma eğiliminde olduğunu buldu.
Kuantum algoritmaları ve kuantum makine öğrenimi konusunda uzmanlaşmış bir laboratuvar bilimcisi Martin Larocca, “Kuantum sinir ağları ile ilgili sorun, klasik sinir ağlarını kopyalayıp yapıştırdığımız ve bunları kuantum bilgisayara koymamızdır.” Dedi. Diyerek şöyle devam etti: “Bu, umduğu kadar kolay çalışmıyor gibi görünüyor. Bu nedenle, temellere geri dönmek ve daha basit, daha kısıtlı öğrenme yolları bulmak istedik, ancak aslında işe yarayabilir ve aynı zamanda belirli garantilere sahip olabilir.”
Sinir ağlarından farklı olarak, Gauss süreçleri parametrik değildir ve bu nedenle yukarıda belirtilen sorunların çoğunu ortadan kaldırır. Ancak Gauss süreçleri çok amaçlı bir araç değildir: dağıtım bir çan eğrisini takip etmiyorsa, sonuçta ortaya çıkan tahmin yanlış olabilir. Bu nedenle, ekip matematiklerini kontrol etmelerini sağlayan gelişmiş matematiksel araçlar kullandı, yeni yöntemin Gauss ve kuantum bilgisayarlarda kuantum veri setlerini işlemek için uygun, doğru bir araç olduğunu doğruladı.
Makalenin ilk yazarı Diego Garcia-Martin, “Bu Bayesian öğrenmenin kutsal kasesi” dedi. “Matematiksel bir meraktan daha fazlası, sonucumuzun somut pratik sonuçları vardır. Konut fiyatlarını tahmin etmeniz gerektiğini söyleyin. Fiyatların basit bir çan eğrisini – bir Gauss’u takip ettiğini tahmin ederek başlarsınız. Yani, bana bir ev ve fiyatı gibi bir gözlem verirseniz, bu Gauss sürecini çan eğrisini güncellemek ve yeni ve daha iyi bir dağılım bulabiliriz.
“Ne kadar çok veriye sahip olursak, tahmin o kadar hassas olur – Gauss süreç regresyonu yoluyla Bayesian çıkarım olarak bilinen bir yöntem. Sonucumuz, aynı prensibin artık kuantum hesaplamada uygulanabileceğini ima ediyor.”
Yeni Bir Görev
Nöral ağların kuantum bilgisayarlar üzerindeki gücünü çoğaltmak bu alanda uzun zamandır bir hedef olmuştur ve bu makale takım için yıllarca çalışmaya işaret etmektedir ve bu yetenek ilk kez matematiksel olarak kanıtlanmıştır.
Kuantum bilgisayarlar hala yeni bir teknoloji olduğundan, bu çalışma – ve kuantum makine öğrenme modelleri alanında yapılan araştırmaların çoğu hala teoriktir. Bu, güçlü kuantum bilgisayarlar nihayet geliştirildiğinde, araştırmacıların dünyanın en karmaşık, aksi takdirde inatçı sorunlarından bazılarını çözmek için eşit derecede güçlü makine öğrenme modellerine sahip olacaklar.
Daha büyük bir çalışma grubunun bir parçası olarak, bu makale ekibin kuantum topluluğunun izlediğini görmek istediği yeni bir yöne işaret ediyor – esasen, araştırmacılar klasik bilgi işlem için tasarlanmış modelleri kuantum makinesi öğrenimi alanına sığacak şekilde zorlamaya çalışmayı bırakmalı.
“Bu, sahip olduğumuz görev,” dedi Cerezo. Diyerek şöyle devam etti: “Kuantum makine öğrenimi yapmanın yeni yollarını bulmalıyız, ölü bir atı yenmeye devam etmemeliyiz, yani eski yöntemleri geri dönüştürerek.”
