آی‌بی‌ام نشان می‌دهد که کامپیوترهای کوانتومی می‌توانند این مشکلات را که برای کامپیوترهای کلاسیک سخت است حل کنند

منتشر شده در zdnet به تاریخ ۱۵ جولای ۲۰۲۱
لینک منبع IBM shows quantum computers can solve these problems that classical computers find
hard

در میان برخی از امیدوارکننده‌ترین کاربردهای محاسبات کوانتومی، انتظار می‌رود که یادگیری ماشین کوانتومی تاثیر قابل توجهی ایجاد کند، اما دقیقا چگونه تقریا یک راز است.

در چیزی که می‌تواند روشن کند که این انتظارات تا چه حد واقع گرایانه هستند، محققان IBM اکنون ادعا می‌کنند که آن‌ها از نظر ریاضی ثابت کرده‌اند که با استفاده از یک رویکرد کوانتومی، مسائل یادگیری ماشینی خاص می‌توانند به طور نمایی سریع‌تر از آنچه که در کامپیوترهای کلاسیک هستند حل شوند.

یادگیری ماشینی یک شاخه ثابت از هوش مصنوعی است که در حال حاضر در بسیاری از صنایع برای حل انواع مشکلات کسب‌وکار استفاده می‌شود. این رویکرد شامل آموزش یک الگوریتم با مجموعه داده‌های بزرگ است تا مدل قادر به شناسایی الگوهای مختلف و در نهایت محاسبه بهترین پاسخ در زمان ارائه اطلاعات جدید باشد.

با مجموعه داده‌های بزرگ‌تر، یک الگوریتم یادگیری ماشینی می‌تواند برای ارائه جواب‌های دقیق‌تر بهینه‌سازی شود، اما این کار با هزینه محاسباتی انجام می‌شود که به سرعت به محدودیت‌های دستگاه‌های سنتی می‌رسد. به همین دلیل است که محققان امیدوارند که روزی آن‌ها قادر به استفاده از قدرت محاسباتی عظیم تکنولوژی‌های کوانتومی باشند تا مدل‌های یادگیری ماشینی را به سطح بعدی برسانند.

یکی از روش‌های خاص، به نام هسته‌های کوانتومی، تمرکز بسیاری از مقالات تحقیقاتی است. در رویکرد کرنل کوانتومی، کامپیوتر کوانتومی فقط با یک بخش از الگوریتم کلی، با گسترش آن‌چه که به عنوان فضای ویژگی شناخته می‌شود، وارد عمل می‌شود- مجموعه ویژگی‌هایی که برای توصیف داده‌های تغذیه شده به مدل استفاده می‌شود، مانند "جنسیت" یا "سن" ، اگر این سیستم برای تشخیص الگوهای مربوط به افراد آموزش دیده باشد.

به بیان ساده‌تر، با استفاده از رویکرد کرنل کوانتومی، یک رایانه کوانتومی می‌تواند بین ویژگی‌های بیشتر تفاوت قائل شود و بنابراین می‌تواند الگوها را حتی در یک پایگاه داده عظیم مشاهده کند‌، جایی که یک رایانه کلاسیک فقط نویز تصادفی را می‌بیند.

تیم تحقیق نتیجه گرفت: « این مقاله را می‌توان به عنوان یک نقطه عطف در زمینه یادگیری ماشین کوانتومی در نظر گرفت، زیرا یک افزایش سرعت کوانتومی انتها به انتها را برای یک روش کرنل کوانتومی ثابت می‌کند که به طور تحمل پذیر خطا را با فرضیات واقع‌بینانه اجرا می‌کند.»

البته، وظیفه طبقه‌بندی توسعه‌یافته توسط دانشمندان IBM به طور خاص برای یافتن این که آیا روش کرنل کوانتومی سودمند است یا نه، طراحی شد و هنوز هم برای اعمال به هر نوع مساله کسب‌وکار در مقیاس بزرگ‌تر، آماده نیست.

این عمدتا به خاطر اندازه محدود کامپیوترهای کوانتومی فعلی IBM است، که تا به امروز تنها می‌تواند زیر ۱۰۰ کیوبیت-دور از هزاران و حتی میلیون‌ها کیوبیت که دانشمندان فکر می‌کنند برای شروع ایجاد ارزش در مورد تکنولوژی‌های کوانتومی لازم است-پشتیبانی کند.

تمیم می‌گوید: «در این مرحله، ما نمی‌توانیم به یک مورد استفاده خاص اشاره کنیم و بگوییم این کار تاثیر مستقیمی خواهد داشت» . کاربرد الگوریتم یادگیری ماشینی کوانتومی بزرگ هنوز انجام‌نشده است. البته مقیاسی که می‌توان برای چنین الگوریتمی به کار برد به طور مستقیم با توسعه سخت‌افزار کوانتومی گره خورده‌است.

آخرین آزمایش IBM نیز تنها در مورد نوع خاصی از مشکلات طبقه‌بندی در یادگیری ماشینی اعمال می‌شود و به این معنی نیست که تمام مشکلات یادگیری از استفاده از هسته‌های کوانتومی بهره‌مند خواهند شد.

اما نتایج، راه را برای تحقیقات بیشتر در این زمینه باز می‌کند تا مشخص شود که آیا سایر مشکلات یادگیری ماشینی می‌توانند از استفاده از این روش بهره ببرند یا خیر.

بنابراین، بخش عمده‌ای از این کار در حال حاضر به صورت تئوری باقی مانده‌است، و تیم IBM تصدیق کرده‌است که ایرادهای زیادی در مورد هر گونه اکتشاف جدید در این زمینه وجود دارد. اما در حالی که منتظر بهبود سخت‌افزار کوانتومی هستیم، محققان متعهد به ادامه نشان دادن ارزش الگوریتم‌های کوانتومی هستند، البته فقط از نقطه‌نظر ریاضی باشد.

این متن با استفاده از ربات مترجم مقالات کوانتوم ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.