6.3. Вариативные алгоритмы и машинное обучение: загрузка данных, "шумные" процессоры и др.

Итак, давайте вернёмся к части о квантовом
машинном обучении,

которое, как вы увидите, также использует
эту идею вариационных форм

и вычисления скалярных произведений.
Поэтому эти идеи, которые мы прошли

в первой части лекции, будут полезны
также для

примеров с квантовым машинным обучением,
рассматриваемом в этой части.

Конечно, квантовое машинное обучение

это комбинация квантового вычисления
и машинного обучения,

но в зависимости от того, у кого вы спросите,
это может обозначать разные понятия.

Итак,

чтобы объяснить тип

примеров, взятых из квантового машинного
обучения, на котором я

сфокусируюсь,

я взял это изображение

из книги, очень интересной книги,

которая находится в списке рекомендуемых
источников

от Шульд и Петруччоне
(Shuld и Petruccione),

в которой определяются комбинации
классического

машинного обучения и квантового
вычисления, исходя из

использования классической или квантовой
информации.

Или если

вычисление производится на квантовых
компьютерах

или на классических компьютерах.

Итак, у нас здесь две оси, зависящие

от используемого обрабатывающего устройства,
классического или квантового,

или зависящие от системы генерации
данных, входных данных,

классической или квантовой.

И у нас есть несколько различных комбинаций.

Наиболее интересна для нас та, на которой
с собираюсь сосредоточиться,

по причине, которую объясню позже,

это комбинация классических данных
с квантовыми компьютерами.

Конечно, сейчас

этот тип комбинации машинного обучения
и квантовых вычислений

можно намного легче реализовать с тем типом
компьютеров, которые мы имеем.

Потому что, конечно же, мы могли бы
также использовать

квантовые данные и, например, QTI,
здесь в ЦЕРНе,

которая исследует возможность квантового
восприятия, например, для

использования квантовых данных или

получения квантовых данных в квантовых
состояниях из экспериментов.

Но сегодня это трудновыполнимо, конечно же.

И мы могли бы использовать квантовые
данные и проанализировать их

с помощью классического машинного обучения,
но тогда

это не так интересно,

потому что мы заинтересованы в использовании
квантовых компьютеров.

В итоге мы будем фокусироваться на

применении квантовых вычислений

к классическим данным, вдохновляясь

развитием классического машинного обучения.

Итак. Также существуют два
подхода к объединению

обработки классических данных

с квантовыми алгоритмами.

Первый — это попытка взять

части алгоритмов, которые мы используем
в классическом машинном обучении,

и ускорить их с помощью квантовых
компьютеров.

Это напоминает алгоритм, который мы изучали
в первой части этой лекции,

в котором мы используем квантовый компьютер
как ускоритель для определенных частей

вычисления, не для всех частей,
а только для некоторых.

И мы можем это сделать,

потому что во многих классических алгоритмах
машинного обучения нам нужно использовать,

например, методы

решения

линейных систем уравнений,

и мы уже говорили об этом.

Мы не изучали это подробно, но ранее
упоминали алгоритм,

который называется HHL.

Он основан на квантовом преобразовании
Фурье

и методе квантовой фазовой оценки.

Итак, с помощью таких приемов можно

определить то, что иногда называют

квантовыми базисными подпрограммами
линейной алгебры, или QBLAS,

которые при определенных условиях
могут ускорить

работу классического машинного обучения.

Однако здесь есть некоторые проблемы.

В использовании этого подхода есть
некоторые ограничения,

например, не очень ясно, как загружать
в алгоритм входные данные.

Есть также проблема считывания
выходных данных.

А также проблема, которая

привычна,

хотя для этих алгоритмов необходимо
полиномиальное число вентилей,

что всё ещё недоступно для квантовых
компьютеров,

которыми мы располагаем сегодня.

И также существует проблема помех,
и однозначности, и тому подобного.

Для решения некоторых из этих проблем,
например, проблемы загрузки данных

на компьютер, некоторые авторы
изучили и предложили

идею квантового ОЗУ,

которое позволило бы запрашивать информацию
и загружать информацию, и

получать информацию

(классическую информацию, которую мы
собираемся использовать)

в суперпозиции.

И это то, что может помочь уменьшить
упомянутые проблемы.

Но это

всё ещё находится в процессе разработки

в различных

теоретических исследованиях, и мы не можем
это использовать прямо сейчас.

И вы можете изучить много подобных
приемов ускорения

классических методов машинного обучения.
Например, ну не знаю,

машины Больцмана, машины опорных векторов,
стимулированное обучение,

перцептрон, РСА…

Много что можно сделать,

взяв части этих алгоритмов и ускорив их
квантовыми методами.

И при определенных условиях вполне можно
получить увеличение скорости,

но вот посмотрите на эту

отметку здесь,

которая показывает,

что для этих приемов существуют
некоторые ограничения.

Очень интересная статья, которая
рассказывает об этом

подходе подробнее, также опубликована
в Nature,

из неё я и взял эту таблицу. И если вы
хотите исследовать этот вопрос,

я рекомендую прочитать эту статью,
она достаточно легко читается.

Но я не собираюсь фокусироваться
на этом подходе,

потому что в ближайшее время мы не сможем
им воспользоваться,

при этом есть и другие интересные

предложения в области квантового
машинного обучения,

которые мы можем изучать сейчас и которые
мы можем сейчас использовать,

с теми компьютерами, которые у нас есть.
И фактически,

как я вам сейчас покажу, уже исследуются
в области физики высоких энергий.

В общем, я думаю, это более интереснее,
хоть и другая часть тоже

захватывающая, очень глубокая
и содержательная,

но в краткосрочной перспективе не слишком
практична. Итак, что мы можем сделать

и почему это зависит от типа квантовых
компьютеров в нашем распоряжении?

Этап квантовых вычислений, на котором
мы сейчас находимся,

иногда называют

эрой или веком NISQ,

что означает шумные среднемасштабные
квантовые компьютеры.

Так как устройства, которыми мы располагаем
сейчас, шумные,

они подвержены ошибкам, они допускают
когерентность,

они не отказоустойчивые.

Они также не очень велики, у нас есть

компьютеры до 50 или, возможно, 70 кубитов,

и возможно, в следующем году мы сможем
достичь где-то 100 кубитов.

Но это не очень много.

А еще они неполносвязные.

Мы уже говорили об этом
несколько раз раньше.

Чтобы запутать все кубиты,
мы можем использовать,

например, вентили CNOT,

но нельзя применить вентиль CNOT
к абсолютно любому

кубиту, по крайней мере, с теми технологиями,
которые сегодня наиболее популярны.

Так что у нас есть кое-какие ограничения.
Нельзя

просто применить эти решения
с алгоритмом HHL,

или с квантовой фазовой оценкой,
или с другими приемами.

Но у нас есть

некоторые компьютеры,

для которых эти основанные на вариационных
формах алгоритмы подойдут.

Потому что в вариационных формах,
вы видели, например, в QAOA,

при наличии помех нельзя получить решение
того же качества, но можно получить

приблизительно равное которое может
подойти для некоторых задач.

И шум, и ограничения компьютеров в такого
рода задачах не так сильны, как,

например, в HHL, в котором при получении
чего-то, не являющегося решением

линейной системы уравнений, можно получить
что-то бесполезное, например.

Итак, мы сосредоточимся на использовании
квантового машинного обучения

на таких NISQ устройствах, на компьютерах,
которые можно использовать сегодня.

Как я уже говорил,

в последние несколько лет проводятся
очень интересные эксперименты,

например, в области физики
высоких энергий.

Мы также работаем над этим здесь,
в Открытой лаборатории ЦЕРНа,

для решения различных задач.

Я покажу вам некоторые

примеры

нашей работы, которую мы проводим с этими
исследователями здесь в ЦЕРНе,

и я думаю, что это очень интересная тема.