Klassik maschinelles Lernen (ML) Algorithmen haben sich als leistungsstarke Werkzeuge für eine Vielzahl von Aufgaben erwiesen, darunter Bild- und Spracherkennung, Verarbeitung natürlicher Sprache (NLP) und prädiktive Modellierung. Klassische Algorithmen sind jedoch durch die Einschränkungen des klassischen Rechnens eingeschränkt und können Schwierigkeiten haben, große und große Datenmengen zu verarbeiten komplexe Datensätze oder ein hohes Maß an Genauigkeit und Präzision erreichen.

Geben Sie Quantenmaschinenlernen (QML) ein.

QML kombiniert die Leistungsfähigkeit von Quantencomputing mit den Vorhersagefähigkeiten von ML, um die Einschränkungen klassischer Algorithmen zu überwinden und Leistungsverbesserungen zu bieten. In ihrem Aufsatz „Zur Rolle der Verschränkung bei der Beschleunigung von Quantencomputern“, schreiben Richard Jozsa und Neil Linden von der University of Bristol im Vereinigten Königreich: „QML-Algorithmen versprechen eine exponentielle Beschleunigung gegenüber ihren klassischen Gegenstücken für bestimmte Aufgaben wie Datenklassifizierung, Merkmalsauswahl und Clusteranalyse . Insbesondere der Einsatz von Quantenalgorithmen für überwachtes und unüberwachtes Lernen hat das Potenzial, maschinelles Lernen zu revolutionieren und künstliche Intelligenz"

QML versus klassisches maschinelles Lernen

Zohra Köstlich, Senior Director, Data Science and AI bei Credence, sagt, dass sich QML in mehreren wichtigen Punkten vom traditionellen maschinellen Lernen unterscheidet:

EVENT

Intelligent Security Summit auf Abruf

Lernen Sie die entscheidende Rolle von KI und ML in der Cybersicherheit und branchenspezifischen Fallstudien kennen. Sehen Sie sich noch heute On-Demand-Sessions an.

Schau hier

 

 

  1. Quantenparallelismus: Quantenalgorithmen können sich die einzigartige Eigenschaft von Quantensystemen zunutze machen, die als Quantenparallelismus bekannt ist und es ihnen ermöglicht, mehrere Berechnungen gleichzeitig durchzuführen. Die Verarbeitung großer Datenmengen, wie Bilder oder Sprache, kann die zur Lösung eines Problems benötigte Zeit erheblich verkürzen.
  2. Quantenüberlagerung: Die Quantenüberlagerung ermöglicht es einem Quantenalgorithmus, mehrere Zustände gleichzeitig darzustellen. Dies kann es ihm ermöglichen, mögliche Lösungen für ein Problem zu untersuchen, was zu genaueren und effizienteren Lösungen führt.
  3. Quantenverschränkung: Quantenalgorithmen können auch die Eigenschaft der Quantenverschränkung nutzen, die es ermöglicht, Quantensysteme auf eine Weise zu korrelieren, die die klassische Physik nicht erklären kann. Dadurch können Quantenalgorithmen bestimmte Aufgaben effizienter erledigen als klassische Algorithmen.

 

Herkömmliche Algorithmen für maschinelles Lernen, die auf klassischen Computertechniken beruhen und denen diese Quantenfähigkeiten fehlen, können in bestimmten Fällen langsamer oder ungenauer sein.

Die QML-Reise: Von der Forschung in die reale Welt

Die Forschung zum Quantenmaschinenlernen begann in den 1980er Jahren. In den späten 1990er und frühen 2000er Jahren entwickelten Forscher Quanten Neuronale Netze um das Potenzial von Quantensystemen für maschinelles Lernen zu demonstrieren, die darauf trainiert werden können, Muster in Daten zu erkennen. Diese Netzwerke wurden seitdem auf ein breites Spektrum realer Probleme angewendet.

Ein Jahrzehnt später entwickelten Forscher Quantenalgorithmen und Softwaretools für Aufgaben des maschinellen Lernens. Dazu gehörten Quantenversionen beliebter Algorithmen für maschinelles Lernen wie Support Vector Machines, Entscheidungsbäume und neuronale Netze.

Die Entwicklung von Quantencomputern war auch ein Schlüsselfaktor für das Wachstum von QML. In den 2010er und 2020er Jahren entwickelten mehrere Unternehmen und Forschungsgruppen Quantencomputer, die Aufgaben des maschinellen Lernens ausführen konnten. Dazu gehörten sowohl Gate-basierte Quantencomputer als auch Quanten- Glüher. In den 2020er Jahren wurde QML in Anwendungen wie Mustererkennung, Verarbeitung natürlicher Sprache und Optimierung weit verbreitet.

Eine der vielversprechendsten Anwendungen von QML ist heute die Wirkstoffforschung. Herkömmliche Arzneimittelforschungsprozesse können langsam, teuer und inkonsistent sein. QML hat das Potenzial, den Prozess zu beschleunigen. „Nach unserem anfänglichen Erfolg bei der Suche nach a COVID-19 therapeutisches Molekülwollten wir den Raum erweitern, um jetzt kleinere Moleküle zu erzeugen“, sagte Nikhil Malhotra, globaler Leiter des Makers Lab bei Tech Mahindra. „Die Erzeugung von Quanten-GAN oder Hybrid-GAN ist etwas, das wir für kleine Moleküle ausprobieren. Ich glaube, dass dies die Arzneimittelforschung und sogar die Entwicklung neuartiger Arzneimittel erheblich voranbringen würde.“

Finanzmärkte sind ein weiterer Bereich, in dem sich QML als vielversprechend erwiesen hat. EIN 2021 Papier vom Future Lab for Applied Research and Engineering von JPMorgan kam zu dem Schluss, dass QML Aufgaben wie Asset Pricing, Volatilitätsvorhersage, Vorhersage des Ergebnisses exotischer Optionen, Betrugserkennung, Aktienauswahl, Auswahl von Hedgefonds, algorithmischen Handel, Market-Making, Finanzprognosen, Buchhaltung und Wirtschaftsprüfung sowie Risikobewertung viel schneller und genauer als klassische Algorithmen.

Das Versprechen des Quantenmaschinenlernens für 2023

„QML ist ein spannendes und sich schnell entwickelndes Gebiet, das das Potenzial hat, eine breite Palette von Branchen und Anwendungen erheblich zu beeinflussen“, sagte Ladha. Für 2023 prognostiziert sie, dass Quantenalgorithmen das Potenzial haben, bestimmte maschinelle Lernaufgaben schneller und genauer zu erledigen, insbesondere für Aufgaben wie Bild- und Spracherkennung, die die Verarbeitung großer Datenmengen erfordern. Sie weist auch darauf hin, dass QML Optimierungsprobleme lösen kann, die häufig bei maschinellen Lernaufgaben auftreten und mit klassischen Algorithmen nur schwer zu lösen sind. Ladha sagt voraus, dass die Fähigkeit von Quantenalgorithmen, diese Probleme effizienter zu lösen, dem Finanzwesen und der Logistik zugute kommen könnte.

Internet-Sicherheit ist ein weiterer Bereich, in dem sie QML einen Einfluss voraussagt. „Durch die Entwicklung ausgefeilterer Algorithmen zur Erkennung und Verhinderung von Cyberangriffen könnte Quantenmaschinenlernen die Sicherheit von Systemen verbessern“, sagte sie.

Etwas tiefer in die Technologie selbst eintauchend, sagte Malhotra, dass er erwartet, dass eine große Mehrheit der ML-Algorithmen, insbesondere solche in künstlichen neuronalen Netzen, auf der Quantenmaschine als Quantenmaschinen-Lernalgorithmen erprobt werden. „Wir haben frühe Versionen wie QNLP, Q-GAN und sogar verstärktes Lernen auf Quantenschaltkreisen gesehen. Ich gehe davon aus, dass der Trend 2023 wachsen wird“, sagte er.

Die Herausforderungen des maschinellen Quantenlernens bleiben bestehen

QML ist wegen seines Versprechens eine große Sache. Es gibt Hinweise darauf, dass maschinelle Lernmodelle mit weniger Daten für eine höhere Genauigkeit trainiert werden können, als dies mit unseren derzeitigen klassischen Techniken möglich ist. Allerdings gem Rüdiger Buchholz, Global Quantum Lead und CTO, von Regierung und öffentlichen Diensten, bei Deloitte Consulting LLP, die Antwort auf die Fragen „Wie viel weniger?“. und "Wie viel schneller?" ändert sich regelmäßig aufgrund der folgenden Herausforderungen QML:

 

  • „In Bezug auf die Hardware sind die leistungsstärksten Quantencomputer, die es heute gibt, immer noch begrenzt – insbesondere im Vergleich zu den heutigen leistungsstärksten Servern. Wir gehen davon aus, dass sich dies in den kommenden Jahren ändern wird, da es für die Quantencomputertechnologie viel mehr Raum gibt, um voranzukommen und zu wachsen.
  • „Quantencomputer funktionieren hinsichtlich Software und Algorithmen grundlegend anders als heutige Computer. Infolgedessen versuchen Forscher, die besten Wege zu finden, um Probleme auf Quantencomputern abzubilden (und tatsächlich zu bestimmen, welche Probleme nützlich sein könnten, um sie auf Quantencomputern zu lösen). Wenn wir besser verallgemeinerte Abbildungen entwickeln, wird es für andere einfacher, ihre Probleme auf Quantencomputer zu übertragen.

„Seit Jahren ist und bleibt QML ein Bereich aktiver Forschung. Da sich die Hardware- und Softwarereife verbessert, werden wir wahrscheinlich sehen, dass Organisationen damit beginnen, den Einsatz von QML in Produktions-Workloads zu evaluieren“, fuhr Buchholz fort. „Da wir noch einige Jahre davon entfernt sind, eine Maschine zu haben, die Produktions-QML-Workloads ausführen könnte, treiben wir den Stand der Technik in QML weiter voran, während sich die Hardware weiter verbessert. Aber ich rechne mit inkrementellen QML-Fortschritten im Laufe des Jahres 2023 – d. h. mit der weiteren Verbesserung der Techniken zum Skalieren des Volumens, Laden von Daten und Ausführen von Modellen.“

Übersetzen "