Noul manuscris descrie analiza datelor imaginii într -un procesor cuantic.
Credit: Jason Marz/Getty Images
Preocupările cu privire la consumul de energie al AI au o mulțime de oameni care caută modalități de a Reduceți cerințele sale de putere. Multe dintre acestea se concentrează pe abordări hardware și software care sunt extensii destul de simple ale tehnologiilor existente. Dar câteva tehnologii sunt mult mai departe. Una care este cu siguranță în ultima categorie? Calculare cuantică.
În unele moduri, hardware -ul cuantic este o potrivire mai bună pentru o parte din matematica care stă la baza AI decât mai mult hardware -ul tradițional. În timp ce hardware-ul cuantic actual este un pic prea predispus la erori pentru modelele AI mai elaborate în prezent în prezent, cercetătorii încep să pună piesele pentru a rula modele AI atunci când hardware-ul este gata. În această săptămână, câteva interese comerciale lansează un proiect al unei lucrări care descrie modul de a obține datele de imagine clasice într -un procesor cuantic (de fapt, două procesoare diferite) și efectuarea unei clasificări de bază ale imaginii AI.
Toate acestea ne oferă o mare oportunitate de a discuta de ce AI -ul cuantic poate fi mai mult decât doar hype.
Învățarea automată este cuantică
La fel cum există multe tehnici de învățare a mașinilor care se încadrează sub umbrela AI, există multe modalități de a utiliza potențialul de calcul cuantic pentru a efectua un aspect al unui algoritm AI. Unele sunt pur și simplu probleme de matematică; Unele forme de învățare automată necesită, de exemplu, multe operații matriceale, care pot fi efectuate eficient pe hardware -ul cuantic. (Iată o recenzie bună Dintre toate modurile în care hardware -ul cuantic ar putea ajuta la învățarea mașinilor.)
Există, de asemenea, modalități prin care hardware -ul cuantic poate fi o potrivire bună pentru AI. Una dintre provocările rulării AI pe hardware -ul tradițional de calcul este că procesarea și memoria sunt separate. Pentru a rula ceva ca o rețea neuronală necesită călătorii repetate în memorie pentru a căuta la ce semnale de destinație dintr -un neuron artificial trebuie să fie trimise și la ce greutate pentru a atribui fiecare semnal. Acest lucru creează un blocaj major.
Calculatoarele cuantice nu au un fel de separare. În timp ce ar putea include o anumită memorie cuantică, datele sunt găzduite în general direct în qubits, în timp ce calculul implică efectuarea operațiunilor, numite Gates, direct pe qubits în sine. De fapt, a existat o demonstrație că, pentru învățarea automată supravegheată, unde un sistem poate învăța să clasifice articolele după instruire pe date pre-clasificate, un sistem cuantic poate depășiți cele clasicechiar și atunci când datele procesate sunt găzduite pe hardware clasic.
Această formă de învățare automată se bazează pe ceea ce se numesc circuite cuantice variaționale. Aceasta este o operațiune de poartă cu două qub-uri care ia un factor suplimentar care poate fi ținut pe partea clasică a hardware-ului și transmisă qubiturilor prin intermediul semnalelor de control care declanșează operația porții. Vă puteți gândi la acest lucru ca fiind analog cu comunicările implicate într-o rețea neuronală, cu funcționarea porții cu două qubit echivalente cu trecerea informațiilor între doi neuroni artificiali și factorul analog cu greutatea dată semnalului.
Exact acest sistem din care o echipă Honda Research Institute a lucrat în colaborare cu o companie de software cuantică numită Qubit albastru.
Pixeli la Qubits
Obiectivul noii lucrări a fost pe cea mai mare parte a modului de a obține date din lumea clasică în sistemul cuantic pentru caracterizare. Dar cercetătorii au sfârșit prin testarea rezultatelor pe două procesoare cuantice diferite.
Problema pe care o testau este una de clasificare a imaginilor. Materia primă a fost din setul de date Honda Scene, care are imagini preluate din aproximativ 80 de ore de conducere în nordul Californiei; Imaginile sunt etichetate cu informații despre ceea ce este în scenă. Și întrebarea pe care cercetătorii doreau că învățarea mașinii să o gestioneze a fost una simplă: ninge în scenă?
Toate imaginile stăteau pe hardware clasic, desigur. Pentru a clasifica o imagine pe hardware -ul cuantic, a trebuit să fie transformată în informații cuantice pentru procesare. Echipa a încercat trei metode de codificare a datelor, care au diferit în ceea ce privește modul în care au fost tăiați pixelii imaginilor și câte qubits au fost trimise feliile rezultate. Cercetătorii au folosit un simulator clasic al unui procesor cuantic pentru a face etapele de instruire, care au identificat numerele corespunzătoare-din nou, gândiți-vă în ceea ce privește greutățile unei rețele neuronale-pentru a fi utilizate în timpul operațiunilor de poartă cu două qubit.
Apoi au rulat hardware -ul pe două procesoare cuantice diferite. Unul, de la IBM, are o mulțime de qubits (156), dar o rată de eroare ușor mai mare în timpul operațiunilor de poartă. Al doilea este de la Quantinuum și este remarcabil pentru faptul că are o rată de eroare foarte mică în timpul operațiunilor, dar are doar 56 de qubits. În general, precizia clasificării a crescut pe măsură ce cercetătorii au folosit mai multe qubits sau pe măsură ce au alergat mai multe porți.
În general, însă, sistemul a funcționat; Precizii au fost cu mult peste ceea ce ați aștepta de la întâmplări aleatorii. În același timp, acestea erau în general mai mici decât ceea ce ai obține de la un algoritm standard rulat pe hardware normal. Încă nu suntem în punctul în care hardware -ul existent are ambele qubit -uri suficiente, cât și o rată de eroare suficient de scăzută pentru a fi competitivă pe hardware -ul clasic. Totuși, munca a fost în mod clar capabilă să arate că hardware-ul cuantic din lumea reală este capabil să ruleze felurile de algoritmi AI la care oamenii o așteptau. Dar ca toți ceilalți, oamenii care speră să rezolve problemele utile vor trebui să aștepte îmbunătățiri suplimentare pe partea hardware.
John este editorul științific al ARS Technica. Are un licențiat în arte în biochimie de la Universitatea Columbia și un doctorat. în biologie moleculară și celulară de la Universitatea din California, Berkeley. Când se desparte fizic de tastatura sa, el tinde să caute o bicicletă sau o locație pitorească pentru comunicarea cu cizmele sale de drumeție.
Comentarii recente