ابزار جدید IBM به توسعه‌دهندگان امکان اضافه کردن قدرت محاسبات کوانتومی به یادگیری ماشینی را می‌دهد.

منتشر‌شده در zdnet به تاریخ ۱۹ آوریل ۲۰۲۱
لینک منبع IBM's new tool lets developers add quantum-computing power to machine learning

یادگیری ماشینی Qiskit برای اضافه کردن کمی از محاسبات کوانتومی به مدل‌های یادگیری ماشینی، حتی با دانش کمی از فیزیک ذرات طراحی شده است. IBM یک ماژول جدید را به عنوان بخشی از کیت توسعه نرم‌افزار کوانتومی منبع باز، Qiskit، منتشر می‌کند تا به توسعه‌دهندگان اجازه دهد تا از قابلیت‌های کامپیوترهای کوانتومی برای بهبود کیفیت مدل‌های یادگیری ماشینی خود استفاده کنند.

یادگیری ماشینی Qiskit در حال حاضر در دسترس است و شامل بلوک‌های ساختمان محاسباتی است که برای آوردن مدل‌های یادگیری ماشینی به فضای کوانتومی ضروری هستند. یادگیری ماشینی شاخه‌ای از هوش مصنوعی است که امروزه تقریبا در همه صنایع به طور گسترده مورد استفاده قرار می‌گیرد. این تکنولوژی قادر است تا از طریق مجموعه داده‌های بزرگ‌تر، الگوها و روابط را شناسایی کند و در نهایت بهترین راه برای محاسبه پاسخ به یک مشکل مشخص را کشف کند.

بنابراین محققان و توسعه‌دهندگان می‌خواهند مطمئن شوند که نرم‌افزار با مطلوب‌ترین مدل ممکن به دست می‌آید - که به معنی گسترش مقدار و بهبود کیفیت داده‌های آموزشی است که به نرم‌افزار یادگیری ماشینی داده می‌شود. این فرآیند به ناچار با هزینه‌های بالاتر و زمان آموزش طولانی‌تر همراه است.

مطالعه مقاله محاسبات کوانتومی چیست؟ توصیه می‌شود.

محول کردن برخی از بخش‌های فرآیند به یک کامپیوتر کوانتومی می‌تواند این مسائل را با سرعت بخشیدن به زمان لازم برای آموزش یا ارزیابی یک مدل یادگیری ماشینی حل کند، اما همچنین با افزایش گسترده آنچه که به عنوان فضای ویژگی شناخته می‌شود - مجموعه‌ای از ویژگی‌هایی که برای توصیف داده‌هایی که به مدل داده می‌شوند استفاده می‌شود، برای مثال «جنسیت» یا «سن» اگر سیستم برای تشخیص الگوهای مربوط به مردم آموزش داده شود.

در‌حالی‌که کامپیوترهای کلاسیک توسط توان محاسباتی مورد نیاز فضاهای با ویژگی‌های بزرگ محدود می‌شوند، کامپیوترهای کوانتومی انتظار می‌رود - زمانی که فن‌آوری به اندازه کافی بالغ باشد - در محاسبات بزرگ در مدت‌زمان کوتاهی برتری داشته باشند. با توجه به اینکه محاسبات کوانتومی هنوز در روزهای اولیه خود هستند، بسیاری از کارهای مربوط به یادگیری ماشین کوانتومی نظری است و هنوز هم به افزایش مقیاس دستگاه‌های کوانتومی در آینده وابسته است؛ اما با این وجود، تعداد رو به رشدی از محققان علاقه خود را به کاوش عمیق‌تر در فرصت‌هایی که این تکنولوژی می‌تواند روزی باز کند، نشان می‌دهند.

تیم برنامه‌های کاربردی Qiskit گفت: «محاسبه کوانتوم یک مسیر بالقوه دیگر برای افزایش قدرت مدل‌های یادگیری ماشینی ارائه می‌دهد، و ادبیات مربوطه با سرعتی باورنکردنی در حال رشد است.» یادگیری ماشین کوانتومی انواع جدیدی از مدل‌ها را پیشنهاد می‌کند که از قابلیت‌های منحصر به فرد کامپیوترهای کوانتومی برای مثال برای کار در فضاهای ویژگی با ابعاد بالاتر نمایی برای بهبود دقت مدل‌ها استفاده می‌کنند.

«استفاده از مدل‌های کلاسیک و یادگیری ماشین کوانتومی ممکن است به محققان اجازه دهد تا شیمی و فیزیک کوانتومی را بهتر درک کنند و بسیاری از کاربردها و مسیرهای تحقیقاتی جدید را باز کنند.»

با این حال، حتی برای باهوش‌ترین توسعه‌دهنده یادگیری ماشین، ورود به دنیای کوانتوم می‌تواند چشم‌انداز دلهره‌آوری باشد - به همین دلیل است که Qiskit ماژول جدید را منتشر کرد، با این وعده که طراحی برنامه توسعه‌دهندگان را قادر می‌سازد تا یک مدل را حتی بدون دانش تخصصی از محاسبات کوانتومی الگو قرار دهند.

به عنوان مثال، یادگیری ماشینیQiskit، کوانتوم هسته‌ای را فراهم می‌کند، ابزاری که ماتریس‌های کرنل را برای یک مجموعه داده مشخص در یک چارچوب کوانتومی محاسبه می‌کند. این اولین گام به سمت نگاشت داده‌ها به یک فضای ویژگی با ابعاد بالاتر نمایی است که می‌تواند آموزش دقیق‌تری را برای مدل‌های یادگیری ماشینی فراهم کند.

ماژول جدید همچنین شامل چندین پیاده‌سازی از شبکه‌های عصبی کوانتومی، و همچنین الگوریتم‌های یادگیری برای آموزش و استفاده از آن‌ها است، به طوری که توسعه‌دهندگان می‌توانند شبکه‌های خود را بسازند و تست کنند. در نهایت، یادگیری ماشینی Qiskit به کاربران اجازه می‌دهد تا شبکه‌های عصبی کوانتومی جدید خود را به طور مستقیم در کتابخانه یادگیری ماشینی منبع باز PyTorch ادغام کنند. یک پلتفرم توسعه‌یافته توسط فیسبوک، کتابخانه پایتورچ در درجه اول برای برنامه‌هایی مانند بینایی کامپیوتر و پردازش زبان طبیعی استفاده می‌شود.

در واقع، همانطور که تیم کاربردهای Qiskit توضیح داد، انتظار می‌رود یادگیری ماشین کوانتومی با محاسبات کلاسیک کار کند، با اجرای وظایف سنگین-محاسبه روی دستگاه‌های کوانتومی برای بهبود مدل‌های طراحی شده‌برای کاربردهای کلاسیک.

این تیم گفت: «آن‌ها می‌توانند بخشی از محاسبات پیچیده بزرگ‌تر باشند، مانند یک شبکه عصبی عمیق که از لایه‌های کلاسیک و کوانتومی تشکیل شده است.» « این امر فرصت‌های بی‌پایانی را برای بررسی قدرت بالقوه شبکه‌های عصبی کوانتومی برای تعداد زیادی از کاربردها باز می‌کند.»

هنگامی که آن‌ها یک مدل یادگیری ماشین کوانتومی را در Qiskit ساختند، توسعه‌دهندگان قادر خواهند بود تا الگوریتم را در کامپیوترهای کلاسیک و همچنین در سیستم‌های کوانتومی ابری IBMs آزمایش کنند. اولین انتشار ماشین Qiskit یک انتخاب اولیه از مدل‌ها را فراهم می‌کند، اما از آنجا که پلتفرم یک کتابخانه منبع باز است، تیم برنامه‌های کاربردی محققان و توسعه‌دهندگان را تشویق می‌کنند تا برای شروع رشد بدنه تحقیق کار کنند.

این متن با استفاده از ربات مترجم مقاله تکنولوژی 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.