محاسبات کوانتومی و یادگیری تقویتی به نیروها ملحق می‌شوند تا AI سریعتری را ایجاد کنند.

منتشر‌شده در singularityhub به تاریخ ۱۶ مارس ۲۰۲۱
لینک منبع Quantum Computing and Reinforcement Learning Are Joining Forces to Make Faster AI

با ربات‌های هوشمندتر تغذیه می‌کند. شبیه‌سازی شبکه‌های عصبی انسان را انجام می‌دهد. در‌حالی‌که این ایده یادگیری ماشینی قدرتمند، به دور از دستیابی به تفکر سریع و انعطاف‌پذیر که به طور طبیعی برای انسان‌ها می‌آید، به عنوان منادی ماشین‌های تفکر بهتر غیرقابل توقف به نظر می‌رسد،

اما یک مانع بزرگ راه وجود دارد: بسیار کند هستند. از آنجا که مفهوم پشت این الگوریتم‌ها مبتنی بر آزمون و خطا است، یادگیری تقویتی عامل هوش مصنوعی تنها پس از دریافت پاداش برای تصمیمات صحیح خود یاد می‌گیرد. برای مسائل پیچیده، زمان لازم است تا یک عامل AI تلاش کند و در یادگیری راه‌حل شکست بخورد که می‌تواند به سرعت غیرقابل دفاع شود.

اما چه می‌شود اگر شما بتوانید همزمان چندین راه‌حل را امتحان کنید؟

این هفته، یک هم‌کاری بین‌المللی به رهبری دکتر فیلیپ والتر در دانشگاه وین مفهوم «کلاسیک» یادگیری تقویتی را گرفت و به آن یک چرخش کوانتومی داد. آن‌ها یک AI ترکیبی را طراحی کردند که هم بر محاسبات کلاسیک کوانتومی و هم بر محاسبات کلاسیک اجرا شده تکیه دارد، و نشان داد که - به لطف شبه‌کبریتی کوانتومی- می‌تواند به طور همزمان تعداد انگشت‌شماری از روش‌های مختلف را برای حل یک مسئله نمایش دهد.

نتیجه یادگیری تقویتی AI است که بیش از ۶۰ درصد سریع‌تر از همتایان غیر‌کوانتومی خود یاد گرفته است. نویسندگان توضیح دادند که این یکی از اولین تست‌هایی است که نشان می‌دهد افزودن محاسبات کوانتومی می‌تواند فرآیند یادگیری واقعی یک عامل AI را سرعت بخشد.

اگرچه در این مطالعه تنها با یک «مسئله اسباب‌بازی» به چالش کشیده شده است، AI ترکیبی، که زمانی مقیاس‌بندی شده بود، می‌تواند بر مشکلات دنیای واقعی مانند ایجاد یک اینترنت کوانتومی کارآمد تاثیر بگذارد. نویسندگان این مقاله نوشته‌اند که راه‌اندازی «می‌تواند به آسانی در شبکه‌های ارتباطی کوانتومی در مقیاس بزرگ در آینده ادغام شود».

ممکن است به مطالعه مقاله هوش مصنوعی کوانتومی و مغز کوانتومی: تجسم واقعیت آینده علاقمند باشید.

دریچه

یادگیری از آزمون و خطا به طور غریزی به مغز ما می‌رسد. فرض کنید که سعی دارید بدون نقشه در یک اردوگاه پیچیده و جدید حرکت کنید. هدف این است که از دستشویی اشتراکی به اردوگاه خود بازگردید. بن‌بست‌ها و حلقه‌های گیج‌کننده به وفور یافت می‌شوند. ما این مشکل را با تصمیم به چرخش به چپ یا راست در هر شاخه از جاده حل می‌کنیم. یکی ما را به هدف نزدیک‌تر می‌کند؛ دیگری به نیم ساعت راه رفتن در یک دایره منجر می‌شود. در نهایت، شیمی مغز ما به تصمیمات صحیح پاداش می‌دهد، بنابراین ما به تدریج مسیر صحیح را یاد می‌گیریم. (اگر تعجب کردید بله، داستان واقعی است…)

عوامل یادگیری تقویتی AI در یک روش آزمون و خطا مشابه عمل می‌کنند. با پیچیده‌تر شدن مسئله، تعداد - و زمان - هر محاکمه نیز به طرز وحشتناکی افزایش می‌یابد.

دکتر هانس بریگل نویسنده مطالعه در دانشگاه اینسبروک در اتریش، که قبلا تلاش‌هایی را برای سرعت بخشیدن به تصمیم‌گیریAI با استفاده از مکانیک کوانتوم رهبری کرده بود، توضیح داد: «حتی در یک محیط نسبتا واقع‌گرایانه، ممکن است خیلی طول بکشد تا به طور منطقی به یک وضعیت خاص پاسخ داده شود.» او نوشت که اگر فشاری وجود داشته باشد که «تنها زمان مشخصی برای پاسخ وجود داشته باشد، یک نماینده ممکن است نتواند با این وضعیت کنار بیاید و اصلا یاد بگیرد.»

تلاش‌های زیادی برای سرعت بخشیدن به یادگیری تقویتی صورت گرفته است. به عامل AI یک «حافظه» کوتاه‌مدت می‌دهد. با استفاده از محاسبات عصبگون، که بیشتر شبیه مغز است. بریگل و همکارانش در سال ۲۰۱۴ نشان دادند که یک «مغز کوانتومی» از انواع آن می‌تواند به پیش راندن فرآیند تصمیم‌گیری یک عامل AI پس از یادگیری کمک کند. اما سرعت بخشیدن به فرآیند یادگیری از بهترین تلاش‌های ما خارج ‌است.

مطالعه مقاله تکنولوژی GPT-3 چیست و چرا انقلابی در هوش مصنوعی ایجاد می‌کند؟ توصیه می‌شود.

هوش مصنوعی هیبریدی

مطالعه جدید مستقیما به سمتjugular که قبلا غیرقابل دفاع بود، پیش رفت. دیدگاه کلیدی این تیم استفاده از بهترین محاسبات جهانی-کوانتومی و کلاسیک بود. به جای ساخت یک سیستم یادگیری تقویتی کامل با استفاده از مکانیک کوانتومی، آن‌ها به یک رویکرد ترکیبی تبدیل شدند که می‌تواند عملی بودن آن را اثبات کند. در اینجا، عامل AI از پیچیدگی کوانتومی استفاده می‌کند چون روش‌های جدیدی را امتحان می‌کند - «سعی» در آزمون و خطا. سپس این سیستم باتوم را به یک کامپیوتر کلاسیک منتقل می‌کند تا به AI پاداش یا عدم پاداش خود را بر اساس عملکردش بدهد.

در قلب فرآیند «آزمایش» کوانتومی یک جهش به نام برهم نهی است. کامپیوترهای ما توسط الکترون‌ها نیرو می‌گیرند، که تنها می‌توانند دو حالت ۰یا ۱ را نشان دهند.

مکانیک کوانتومی بسیار عجیب است، که در آن فوتون‌ها (ذرات نور) می‌توانند به طور همزمان هر دو ۰ و ۱ باشند، با احتمال کمی متفاوت از «تمایل به سمت» یکی یا دیگری. این عمق مبهم بخشی از چیزی است که محاسبات کوانتومی را بسیار قدرتمند می‌سازد. مثال یادگیری تقویتی ما برای هدایت یک اردوگاه جدید را در نظر بگیرید. در دنیای کلاسیک ما، ما-و AI-باید بین چرخش به چپ یا راست در یک تقاطع تصمیم بگیریم. با این حال، در یک راه‌اندازی کوانتومی، AI می‌تواند (از یک لحاظ) همزمان به چپ و راست بچرخد.

بنابراین هنگام جستجوی مسیر صحیح بازگشت به پایه خانه، سیستم کوانتومی یک پایه دارد که می‌تواند به طور همزمان چندین مسیر را کشف کند و آن را بسیار سریع‌تر از مسیرهای معمولی، متوالی و خطا کند.

بریگل گفت: «در نتیجه، عاملی که بتواند محیط خود را در حالت برهم نهی بررسی کند، به طور قابل‌توجهی سریع‌تر از همتای کلاسیک خود یاد خواهد گرفت.» این همه تئوری نیست. برای آزمودن این ایده، این تیم به یک تراشه قابل‌برنامه‌ریزی به نام پردازنده نانو هتونیک روی آورد. به آن به عنوان یک تراشه کامپیوتری شبیه CPU نگاه کنید، اما آن ذرات نور -فوتون‌ها- را به جای الکتریسیته پردازش می‌کند. این تراشه‌های سبک مدت زیادی است که در حال ساخت هستند.

برای مثال، در سال ۲۰۱۷، تیمی از MIT یک شبکه عصبی نوری کامل را در یک تراشه نوری ساخت تا یادگیری عمیق را تقویت کند. چیپ‌ها آن قدرها هم عجیب‌و‌غریب نیستند. پردازشگرهای آنوهونیک مانند عینک ما عمل می‌کنند، که می‌توانند محاسبات پیچیده‌ای انجام دهند که نور را که از میان آن‌ها عبور می‌کند، تغییر دهند. در مورد عینک‌ها، آن‌ها به مردم اجازه می‌دهند بهتر ببینند. برای یک تراشه کامپیوتری سبک، محاسبه را ممکن می‌سازد.

به جای استفاده از کابل‌های الکتریکی، تراشه‌ها از «راهنمای موج» برای رفت و آمد فوتون‌ها و انجام محاسبات براساس تعامل آن‌ها استفاده می‌کنند. پردازنده نانو‌هتونیک با یک کامپیوتر سنتی جفت شده است، که در آن دومی مدار کوانتومی را با فیدبک فراهم می‌کند - یعنی، آیا به یک راه‌حل پاداش می‌دهد یا نه. تیم توضیح می‌دهد که این آماده‌سازی به آن‌ها اجازه می‌دهد تا هر‌گونه سرعت در یادگیری را به صورت واقعی قضاوت کنند.

به این ترتیب، یک عامل یادگیری تقویتی ترکیبی بین محاسبات کوانتومی و کلاسیک جایگزین می‌شود، در‌حالی‌که سعی می‌کند ایده‌ها را در زمین «چند‌بعدی» قابل کاربرد حل کند، در‌حالی‌که به بازخورد در فیزیک پایه و کلاسیک «نرمال بودن» دست می‌یابد.

شاید مطالعه مقاله چگونه کشف فوق‌العاده QUTECH در حال احیا کردن محاسبات کوانتومی است؟ برای شما جذاب باشد.

یک سرعت‌دهنده کوانتوم

در شبیه‌سازی‌ها با استفاده از ۱۰ هزار عامل AI و داده‌های تجربی واقعی از ۱۶۵ آزمایش، رویکرد ترکیبی، زمانی که با یک مسئله پیچیده‌تر به چالش کشیده شد، یک پایه روشن را نشان داد.

کلمه کلیدی «پیچیده» است. تیم متوجه شد که اگر یک عامل AI شانس بالایی برای فهمیدن راه‌حل داشته باشد - به هر حال برای یک مسئله ساده - محاسبات کلاسیک به خوبی کار می‌کنند. مزیت کوانتومی زمانی شکوفا می‌شود که کار پیچیده‌تر یا سخت‌تر شود و به مکانیک کوانتومی این امکان را می‌دهد که ماهیچه‌های برهم نهی خود را کاملا خم کند. برای این مشکلات، AI ترکیبی در یادگیری یک راه‌حل در مقایسه با یادگیری تقویتی سنتی، ۶۳ درصد سریع‌تر بود، و تلاش یادگیری آن را از ۲۷۰ حدس به ۱۰۰ حدس کاهش داد.

اکنون که دانشمندان یک افزایش کوانتومی را برای سرعت یادگیری تقویتی نشان داده‌اند، رقابت برای محاسبات نسل آینده حتی بیشتر روشن شده است. سخت‌افزار فوتونیک مورد نیاز برای ارتباطات بلند‌مدت مبتنی بر نور به سرعت در حال کاهش است، در‌حالی‌که کیفیت سیگنال را بهبود می‌بخشد. تنظیم کوانتومی جزئی می‌تواند «به طور خاص به مشکلاتی کمک کند که در آن‌ها جستجوی مکرر مورد نیاز است، برای مثال، مشکلات مسیریابی شبکه» که برای یک اینترنت در حال اجرا روان رایج است. با یک افزایش کوانتومی، یادگیری تقویتی ممکن است قادر به مقابله با مشکلات بسیار پیچیده‌تر -آن‌هایی که در دنیای واقعی هستند- نسبت به آنچه که در حال حاضر امکان‌پذیر است، باشد.

والتر، نویسنده اصلی، می‌گوید: «ما تازه در آغاز درک احتمالات هوش مصنوعی کوانتومی هستیم.»

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.