Η μέθοδος βασίζεται σε χρήση αλγορίθμων τεχνητής νοημοσύνης.
Ερευνητική ομάδα υποστηρίζει ότι πραγματοποίησε ένα σημαντικό βήμα στον τομέα των κβαντικών υπολογιστών αναπτύσσοντας μια τεχνική κβαντικής υπολογιστικής για την εκτέλεση αλγορίθμων μηχανικής μάθησης που ξεπερνούν σε απόδοση τους συμβατικούς υπολογιστές τελευταίας τεχνολογίας.
Η δημιουργία κβαντικών υπολογιστών αποτελεί το ιερό δισκοπότηρο στον τομέα της πληροφορικής αφού αυτοί οι υπολογιστές αναμένεται φέρουν επανάσταση στον σύγχρονο κόσμο. Η χρήση των κβαντικών υπολογιστών πιστεύεται ότι θα φέρει αδιανόητη ώθηση σε κάθε τομέα της επιστήμης και της τεχνολογίας.
Οι ερευνητές αποκάλυψαν την εργασία τους στην επιθεώρηση περιοδικό «Nature Photonics». Χρησιμοποίησαν μια μέθοδο που βασίζεται σε ένα κβαντικό φωτονικό κύκλωμα και έναν εξατομικευμένο αλγόριθμο μηχανικής μάθησης.
Χρησιμοποιώντας μόνο δύο φωτόνια, η τεχνική της ομάδας απέδειξε με επιτυχία αυξημένη ταχύτητα, ακρίβεια και αποτελεσματικότητα σε σχέση με τις τυπικές κλασικές μεθόδους υπολογισμού για την εκτέλεση αλγορίθμων μηχανικής μάθησης. Οι ερευνητές λένε ότι αυτή είναι μια από τις πρώτες φορές που η κβαντική μηχανική μάθηση έχει χρησιμοποιηθεί για προβλήματα πραγματικού κόσμου και παρέχει οφέλη που δεν μπορούν να προσομοιωθούν χρησιμοποιώντας δυαδικούς υπολογιστές. Επιπλέον, λόγω της νέας αρχιτεκτονικής της, θα μπορούσε να εφαρμοστεί σε συστήματα κβαντικής υπολογιστικής που διαθέτουν μόνο ένα qubit.
Τα qubits
Στους υπολογιστές, η μονάδα πληροφορίας είναι το bit, το οποίο λαμβάνει τιμές είτε «0» είτε «1» και οι πληροφορίες αποθηκεύονται ως συνδυασμοί των δύο αυτών ψηφίων. Στους κβαντικούς υπολογιστές, το αντίστοιχο του bit είναι το κβαντικό bit, ή qubit. Χάρη σε μια κβαντική ιδιότητα που ονομάζεται υπέρθεση, το qubit μπορεί να λαμβάνει τιμές «0» ή «1» ή και τα δύο μαζί. Αυτή η ιδιότητα έχει ως αποτέλεσμα να αυξάνεται με γεωμετρική πρόοδο η μνήμη και η ταχύτητα των κβαντικών υπολογιστών. Όγκος δεδομένων που με τους σημερινούς υπολογιστές, ακόμη και τους πιο ισχυρούς, απαιτείται χρονικό διάστημα πολλών ετών για να γίνει η επεξεργασία τους με τους κβαντικούς υπολογιστές η επεξεργασία θα γίνεται πριν προλάβει ο ερευνητής που πάτησε το enter να πιει μια γουλιά από τον καφέ του.
Η νέα μέθοδος
Σε αντίθεση με πολλές υπάρχουσες μεθόδους για την επίτευξη επιτάχυνσης μέσω υβριδικών τεχνικών κβαντικής-κλασικής υπολογιστικής, αυτή η νέα μέθοδος δεν απαιτεί πύλες διεμπλοκής. Αντίθετα, βασίζεται στην έγχυση φωτονίων.
Η κβαντική διεμπλοκή (αποκαλούμενη και κβαντικός εναγκαλισμός) είναι το φαινόμενο κατά το οποίο δύο σωματίδια ή ομάδες σωματιδίων που δημιουργούνται μαζί ή αλληλεπιδρούν συνενώνοντας τις κυματοσυναρτήσεις τους, μένουν σε κατάσταση διεμπλοκής μεταξύ τους, ασχέτως του χώρου που μεσολαβεί πλέον από το ένα στο άλλο.
Ουσιαστικά, η ομάδα χρησιμοποίησε ένα λέιζερ femtosecond — ένα λέιζερ που εκπέμπει φως σε εξαιρετικά σύντομους παλμούς που μετρώνται σε femtosecond (10⁻¹⁵ δευτερόλεπτα) για να κάνει εγγραφές σε ένα υπόστρωμα από βοριοπυριτικό γυαλί ώστε να ταξινομήσει σημεία δεδομένων από ένα σύνολο δεδομένων. Τα φωτόνια στη συνέχεια εγχύθηκαν σε έξι ξεχωριστές διαμορφώσεις, οι οποίες υποβλήθηκαν σε επεξεργασία από ένα υβριδικό κβαντικό-δυαδικό σύστημα.
Οι ερευνητές προσδιόρισαν πού οι φωτονικές μετρήσεις ξεπέρασαν εκείνες που πραγματοποιήθηκαν μέσω κλασικής πληροφορικής μετρώντας πόσο χρόνο χρειάστηκε τα φωτόνια για να ολοκληρώσουν το κβαντικό κύκλωμα. Στη συνέχεια, απομόνωσαν τις διαδικασίες όπου η κβαντική επεξεργασία παρείχε όφελος και συνέκριναν τα αποτελέσματα με τις κλασικές εξόδους.
Οι ερευνητές διαπίστωσαν ότι τα πειράματα που πραγματοποιήθηκαν χρησιμοποιώντας το φωτονικό κβαντικό κύκλωμα ήταν ταχύτερα, ακριβέστερα και πιο ενεργειακά αποδοτικά από εκείνα που πραγματοποιήθηκαν χρησιμοποιώντας μόνο κλασικές τεχνικές πληροφορικής. Αυτή η βελτιωμένη απόδοση ισχύει για μια ειδική κατηγορία μηχανικής μάθησης που ονομάζεται «μηχανική μάθηση βασισμένη στον πυρήνα» και μπορεί να έχει αναρίθμητες εφαρμογές στην ταξινόμηση δεδομένων.
Ενώ τα «βαθιά νευρωνικά δίκτυα» έχουν γίνει μια ολοένα και πιο δημοφιλής εναλλακτική λύση έναντι των μεθόδων πυρήνα για τη μηχανική μάθηση την τελευταία δεκαετία, τα συστήματα που βασίζονται σε πυρήνα έχουν δει μια αναζωπύρωση τα τελευταία χρόνια λόγω της σχετικής απλότητάς τους και των πλεονεκτημάτων τους κατά την εργασία με μικρά σύνολα δεδομένων.
Το πείραμα της ομάδας θα μπορούσε να οδηγήσει σε πιο αποτελεσματικούς αλγόριθμους στους τομείς της επεξεργασίας φυσικής γλώσσας και άλλων μοντέλων εποπτευόμενης μάθησης.
Η υπεροχή
Ίσως το πιο σημαντικό είναι ότι η μελέτη παρουσιάζει μια νέα μέθοδο για τον εντοπισμό εργασιών στις οποίες οι κβαντικοί υπολογιστές υπερέχουν σε υβριδικά συστήματα υπολογιστών.
Οι ερευνητές λένε ότι οι τεχνικές που χρησιμοποιούνται είναι κλιμακωτές, πράγμα που σημαίνει ότι θα μπορούσαν να οδηγήσουν σε ακόμη καλύτερη απόδοση καθώς αυξάνεται ο αριθμός των φωτονίων ή των qubits. Αυτό θα μπορούσε, με τη σειρά του, να καταστήσει δυνατή την ανάπτυξη συστημάτων μηχανικής μάθησης ικανών να υπερβούν τα όρια των σημερινών μοντέλων, τα οποία αντιμετωπίζουν ολοένα και περισσότερους περιορισμούς στην κατανάλωση ενέργειας λόγω των τεράστιων ενεργειακών απαιτήσεων που απαιτούνται για την επεξεργασία δεδομένων μέσω ηλεκτρονικών.
Οι ερευνητές ισχυρίζονται ότι οι τεχνικές τους θα «ανοίξουν την πόρτα σε υβριδικές μεθόδους στις οποίες οι φωτονικοί επεξεργαστές χρησιμοποιούνται για τη βελτίωση της απόδοσης των τυπικών μεθόδων μηχανικής μάθησης».
Naftemporiki.gr
