كلاسيكي التعلم الآلي (ML) أثبتت الخوارزميات أنها أدوات قوية لمجموعة واسعة من المهام ، بما في ذلك التعرف على الصور والكلام ، معالجة اللغة الطبيعية (NLP) ، والنمذجة التنبؤية. ومع ذلك ، فإن الخوارزميات الكلاسيكية مقيدة بقيود الحوسبة الكلاسيكية ويمكن أن تكافح من أجل معالجة كبيرة و مجموعات البيانات المعقدة أو تحقيق مستويات عالية من الدقة والدقة.

أدخل التعلم الآلي الكمي (QML).

يجمع QML بين قوة الاحصاء الكمية مع القدرات التنبؤية لـ ML للتغلب على قيود الخوارزميات الكلاسيكية وتقديم تحسينات في الأداء. في ورقتهم "حول دور التشابك في تسريع الحوسبة الكموميةكتب ريتشارد جوزسا ونيل ليندن ، من جامعة بريستول في المملكة المتحدة ، أن "خوارزميات QML تبشر بتقديم تسريع أسي على نظيراتها الكلاسيكية في مهام معينة ، مثل تصنيف البيانات واختيار الميزات وتحليل المجموعات . على وجه الخصوص ، فإن استخدام الخوارزميات الكمية للتعلم الخاضع للإشراف وغير الخاضع للإشراف لديه القدرة على إحداث ثورة في التعلم الآلي و الذكاء الاصطناعي".

QML مقابل التعلم الآلي الكلاسيكي

زهرة لذيذيقول مدير أول لعلوم البيانات والذكاء الاصطناعي في Credence ، إن QML يختلف عن التعلم الآلي التقليدي في عدة طرق رئيسية:

قد تكون خوارزميات التعلم الآلي التقليدية ، التي تعتمد على تقنيات الحوسبة الكلاسيكية وتفتقر إلى هذه القدرات الكمومية ، أبطأ أو أقل دقة في حالات معينة.

رحلة QML: من البحث إلى العالم الحقيقي

بدأ البحث في التعلم الآلي الكمومي في الثمانينيات. في أواخر التسعينيات وأوائل القرن الحادي والعشرين ، طور الباحثون الكم الشبكات العصبية لإثبات إمكانات الأنظمة الكمية للتعلم الآلي التي يمكن تدريبها على التعرف على الأنماط في البيانات. تم تطبيق هذه الشبكات منذ ذلك الحين على مجموعة واسعة من مشاكل العالم الحقيقي.

بعد عقد من الزمن ، طور الباحثون خوارزميات الكم وأدوات برمجية لمهام التعلم الآلي. تضمنت هذه الإصدارات الكمية من خوارزميات التعلم الآلي الشائعة مثل آلات ناقلات الدعم وأشجار القرار والشبكات العصبية.

كان تطوير أجهزة الكمبيوتر الكمومية أيضًا عاملاً رئيسيًا في نمو QML. في 2010 و 2020 ، طورت العديد من الشركات والمجموعات البحثية أجهزة كمبيوتر كمومية يمكنها أداء مهام التعلم الآلي. وشملت هذه الحواسيب الكمومية ذات البوابة و كمية التلدين. بحلول عام 2020 ، بدأ اعتماد QML على نطاق واسع في التطبيقات بما في ذلك التعرف على الأنماط ومعالجة اللغة الطبيعية والتحسين.

اليوم ، أحد أكثر التطبيقات الواعدة لـ QML هو اكتشاف الأدوية. يمكن أن تكون عمليات اكتشاف الأدوية التقليدية بطيئة ومكلفة وغير متسقة. QML لديه القدرة على تسريع العملية. "بعد نجاحنا الأولي في العثور على مرض فيروس كورونا-19 جزيء علاجيقال نيخيل مالهوترا ، الرئيس العالمي لشركة Makers Lab في Tech Mahindra ، "أردنا توسيع المساحة لتوليد جزيئات أصغر الآن". "الكم GAN أو جيل GAN الهجين هو شيء نحاوله من أجل جزيئات صغيرة. هذا ، على ما أعتقد ، من شأنه أن يعزز اكتشاف الأدوية وحتى إنشاء أدوية جديدة بشكل كبير ".

الأسواق المالية هي مجال آخر أظهر فيه QML واعدًا. أ ورقة 2021 استنتج من مختبر المستقبل للأبحاث التطبيقية والهندسة التابع لـ JPMorgan أن QML يمكنه أداء مهام مثل تسعير الأصول ، والتنبؤ بالتقلبات ، والتنبؤ بنتائج الخيارات الغريبة ، واكتشاف الاحتيال ، واختيار الأسهم ، واختيار صندوق التحوط ، والتداول الحسابي ، وصنع السوق ، والتنبؤ المالي ، المحاسبة والمراجعة وتقييم المخاطر بشكل أسرع وأكثر دقة من الخوارزميات التقليدية.

وعد عام 2023 بالتعلم الآلي الكمي

قال لادا: "QML هو مجال مثير وسريع التطور وله القدرة على التأثير بشكل كبير على مجموعة واسعة من الصناعات والتطبيقات". بالنسبة لعام 2023 ، تتوقع أن الخوارزميات الكمومية لديها القدرة على أداء بعض مهام التعلم الآلي بشكل أسرع وأكثر دقة ، خاصةً لمهام مثل التعرف على الصور والكلام ، والتي تتطلب معالجة كميات كبيرة من البيانات. وتشير أيضًا إلى أن QML يمكنه معالجة مشاكل التحسين التي تظهر غالبًا في مهام التعلم الآلي ويصعب حلها باستخدام الخوارزميات الكلاسيكية. يتوقع Ladha أن قدرة الخوارزميات الكمومية على حل هذه المشكلات بشكل أكثر كفاءة يمكن أن تفيد التمويل واللوجستيات.

الأمن السيبراني هو مجال آخر تتوقع فيه أن يكون لـ QML تأثير. وقالت: "من خلال تطوير خوارزميات أكثر تطورًا لاكتشاف الهجمات الإلكترونية ومنعها ، يمكن للتعلم الآلي الكمي أن يحسن أمن الأنظمة".

بالتعمق أكثر في التكنولوجيا نفسها ، قال مالهوترا إنه يتوقع رؤية الغالبية العظمى من خوارزميات ML ، خاصة تلك الموجودة على الشبكات العصبية الاصطناعية ، ليتم تجربتها على آلة الكم كخوارزميات تعلم الآلة الكمومية. "لقد رأينا عمليات التسليم المبكرة مثل QNLP و Q-GAN وحتى التعلم المعزز على الدوائر الكمومية. أتوقع أن ينمو الاتجاه في عام 2023.

لا تزال تحديات التعلم الآلي الكمومية قائمة

QML هي صفقة كبيرة بسبب وعدها. تشير الدلائل إلى أنه يمكن تدريب نماذج التعلم الآلي للحصول على دقة أعلى باستخدام بيانات أقل مما يمكن تدريبه باستخدام تقنياتنا الكلاسيكية الحالية. ومع ذلك ، وفقا ل سكوت بوتشولز، رئيس الكم العالمي ورئيس قسم التكنولوجيا ، للخدمات الحكومية والعامة ، في Deloitte Consulting LLP ، الإجابة على الأسئلة ، "ما هو أقل؟" و "ما مدى السرعة؟" التغييرات بانتظام بسبب التحديات التالية QML:

• من حيث الأجهزة ، لا تزال أقوى أجهزة الكمبيوتر الكمومية الموجودة اليوم محدودة - لا سيما عند مقارنتها بأقوى الخوادم الحالية. نتوقع أن يتغير هذا في السنوات القادمة لأن هناك مساحة أكبر بكثير لتكنولوجيا الحوسبة الكمومية للتقدم والنمو.

• فيما يتعلق بالبرامج والخوارزميات ، تعمل أجهزة الكمبيوتر الكمومية بشكل مختلف تمامًا عن أجهزة الكمبيوتر الحالية. نتيجة لذلك ، يحاول الباحثون اكتشاف أفضل الطرق لرسم خرائط للمشكلات على أجهزة الكمبيوتر الكمومية (وفي الواقع ، تحديد المشكلات التي قد يكون من المفيد حلها على أجهزة الكمبيوتر الكمومية). عندما نتوصل إلى تعيينات معممة بشكل أفضل ، يصبح من السهل على الآخرين "إحضار مشاكلهم" إلى أجهزة الكمبيوتر الكمومية.

لسنوات ، كانت QML - ولا تزال - مجالًا للبحث النشط. مع تحسن نضج الأجهزة والبرامج ، من المحتمل أن نرى المؤسسات تبدأ في تقييم استخدام QML في أعباء العمل الإنتاجية "، تابع بوخهولز. "نظرًا لأننا لا نزال بعيدين عن امتلاك آلة يمكنها تشغيل أحمال عمل QML للإنتاج ، فإننا نواصل تطوير أحدث التقنيات في QML حيث تستمر الأجهزة في التحسن. لكنني أتوقع تقدمًا متزايدًا في QML طوال عام 2023 - أي الاستمرار في تحسين تقنيات قياس الحجم وتحميل البيانات وتشغيل النماذج ".