Квантовые нейросети усилят ИИ
В прошлой статье мы уже освещали тему квантовых нейросетей, однако она написана техническим языком. В этот раз, постараемся разобраться на простых примерах.
Законы квантовой механики позволяют создать машины, способные решать сверхпроизводительные задачи, недоступные самым мощным суперкомпьютерам. Квантовые процессоры могут манипулировать огромными объёмами данных за один проход и моделировать нейронные сети экспоненциального размера. Квантовые компьютеры готовы выполнять вычисления с опережением любых других компьютеров на Земле. В качестве их главного преимущества приводят разложение на множители больших чисел – операцию, ключевую для современных систем шифрования.
Google, Microsoft, IBM и другие техногиганты вливают средства в квантовое машинное обучение (КМО) и в инкубатор стартапов, посвящённый этой теме.
Квантовые нейроны
Вне зависимости от того, классическая нейросеть или квантовая, ее основная задача – определять закономерности. Она создана по образу человеческого мозга и представляет собой решётку из базовых вычислительных единиц – «нейронов». Каждый из них может быть не сложнее переключателя вкл/выкл, то есть имеет только два возможных состояния. Нейрон отслеживает выход множества других нейронов, будто бы голосующих по определённому вопросу, и переключается в состояние «вкл» если достаточно много определенных нейронов проголосовали «за». Обычно нейроны упорядочиваются в слои. Первый слой принимает ввод (к примеру, пиксели изображения), средние слои создают различные комбинации ввода (представляя грани, геометрические фигуры, и в целом крупные структуры), а последний слой выдаёт вывод (описание того, что содержится на картинке).
Что важно, вся эта схема не полностью задана заранее, а подстраивается в процессе обучения методом проб и ошибок. Например, мы можем скармливать сети изображения, подписанные «котёнок» или «щенок». Каждой картинке она присваивает метку, проверяет, правильно ли он это сделала, и если нет – подправляет нейронные связи. Сначала она работает почти случайно, но затем улучшает результаты; после, допустим, 10 000 примеров она начинает разбираться в различиях между собаками и котами. В нейросети для генерации картинок, например, может быть миллиарды внутренних связей, и всех их необходимо подстроить.
Почему лучше, чем обычные компьютеры?
На классическом компьютере эти связи представлены огромной матрицей чисел, а работа сети означает выполнение матричных вычислений. Обычно эти операции с матрицей отдают на обработку графическому процессору. Но никто не справляется с матричными операциями лучше квантового компьютера. Обработка больших матриц и векторов на квантовом компьютере происходит экспоненциально быстрее. Для решения этой задачи квантовые компьютеры способны воспользоваться преимуществами экспоненциальной природы квантовой системы.
Большая часть информационной ёмкости квантовой системы содержится не в её отдельных единицах данных – кубитах, квантовых аналогах битов классического компьютера – но в совместных свойствах этих кубитов. У двух кубитов совместно есть четыре состояния: оба вкл, оба выкл, вкл/выкл и выкл/вкл. У каждого есть определённый вес, или «амплитуда», которая может играть роль нейрона. Если добавить третий кубит, можно представить уже восемь нейронов; четвёртый – 16. Ёмкость машины растёт экспоненциально. По сути, нейроны размазаны по всей системе. Когда вы изменяете состояние четырёх кубитов, вы обрабатываете 16 нейронов одним махом, а классическому компьютеру пришлось бы обрабатывать эти числа по одному. 60 кубитов хватит для кодирования такого количества данных, которое человечество производит за год, а 300 могут содержать классическое информационное наполнение всей Вселенной.
У самого большого из имеющихся на сегодня квантовых компьютеров, построенного IBM, Intel и Google, до 100 кубитов. И это только если принять, что каждая амплитуда представляет один классический бит. На самом деле амплитуды – величины непрерывные (и представляют комплексные числа), и с точностью, подходящей для решения практических задач, каждая из них может хранить до 15 битов.
Квантовые нейросети – это модели вычислительных нейронных сетей, основанные на принципах квантовой механики.
В процессе обучения нейронная сеть движется по ландшафту функции потерь, стараясь найти самую нижнюю точку. Попадая в «бесплодное плато», она не чувствует достаточного перепада высот и не может определить, в каком направлении двигаться дальше. В результате натренировать нейронную сеть не удается.
Квантовые сверточные нейронные сети невосприимчивы к «бесплодному плато», в отличие от многих других архитектур нейронных сетей. Это особенно актуально при увеличении размерности данных. Масштабируемые и обучаемые квантовые нейронные сети подойдут для анализа и моделирования материалов с высокотемпературной сврехпроводимостью, на которые одновременно влияют множество параметров: температура, давление, наличие примесей и разница фаз. Классическим компьютерам такие вычисления не под силу.
Самые важные новости из мира ИИ у нас в Телеграм-канале
