A mesterséges intelligencia és a kvantum-számítástechnika összevonása – ha egyszer megtörténik – minden bizonnyal forradalmasítja majd a tudományt, és sosem tapasztalt élményeket nyújt majd a jövőben. De pontosan milyen messze van tőlünk ez a jövő?
A tudósok a kvantum gépi tanulásban rejlő lehetőségeket kutatják, az azonban még nem világos, hogy vannak-e már látható és hasznos alkalmazások a mesterséges intelligencia és a kvantumszámítástechnika fúziójára.
Kvantum gépi tanulás
A technológia két legfelkapottabb kifejezésének házassága – a gépi tanulásé és a kvantumszámítógépeké – mindenesetre máris megszülte a kvantum gépi tanulás fogalmát. Ha a kvantumszámítógépeket valaha is elég nagy léptékben meg lehet majd építeni, akkor a szubatomi világ egyedi tulajdonságainak kihasználásával azt ígérik nekünk, hogy bizonyos problémákat sokkal hatékonyabban oldanak majd meg, mint a hagyományos digitális elektronika.
A kutatók évek óta töprengenek rajta, hogy vajon ezek a problémák magukban foglalhatják-e a gépi tanulást, a mesterséges intelligencia (MI) egyik formáját, amelyben a számítógépeket arra használják, hogy felismerjék az adatokban lévő mintákat, és olyan szabályokat tanuljanak meg, amelyekkel az előre ismeretlen helyzetekben is lehet következtetéseket levonni.
Fokozódó érdeklődés
Számos technológiai nagyvállalat, köztük a Google és az IBM, valamint olyan startupok mint a Rigetti és az IonQ, vizsgálják a kvantumgépi tanulásban rejlő lehetőségeket. Az akadémiai tudósok részéről is nagy az érdeklődés ez iránt, vannak tudósok, akik aktívan kísérleteznek ezzel. A CERN, a svájci európai részecskefizikai laboratórium már gépi tanulást használ bizonyos szubatomi részecskék keletkezésének detektálására a Large Hadron Collider által generált adatokban.
„Az az elképzelésünk, hogy kvantumszámítógépeket használjunk a klasszikus gépi tanulási modellek felgyorsítására vagy fejlesztésére”,
mondta el erről Sofia Vallecorsa fizikus, a CERN kvantumszámítási és gépi tanulási kutatócsoportjának vezetője. A nagy megválaszolatlan kérdés az, hogy vannak-e olyan forgatókönyvek, amelyekben a kvantum gépi tanulás komoly előnyre tehet szert a klasszikus változathoz képest. Az elmélet azt mutatja, hogy az olyan speciális számítási feladatok esetében, mint például a molekulák szimulálása, vagy a nagyon nagy egész számok prim-összetevőinek megtalálása (ez szükséges a jelenleg feltörhetetlen titkosítások feltöréséhez), a kvantumszámítógépek jelentősen felgyorsíthatják az olyan komplex számításokat, amelyek egyébként hosszabb ideig tartanának, mint az Univerzum eddigi életkora.
A kutatóknak ugyanakkor még mindig nincs elegendő bizonyítéka arra, hogy ugyanez a helyzet a gépi tanulás esetében is. Egyfajta alternatív előnyt is említenek: a kvantum gépi tanulás olyan mintákat is észlelhet, amelyeket a klasszikus számítógépek elmulasztanak detektálni, még ha mindez nem is történne gyorsabban, mint a hagyományos gépi tanulás esetében.
A kutatók hozzáállása a kvantum gépi tanuláshoz két véglet között szór. Nagy az érdeklődés a megközelítés iránt, de a kutatók egyre rezignáltabbnak tűnnek a rövid távú alkalmazások kilátástalansága miatt, mondta el Maria Schuld, aki a torontói székhelyű Xanadu kvantumszámítási cégnél dolgozik. Egyes kutatók elkezdték áthelyezni tevékenységük fókuszát a kvantum gépi tanulási algoritmusok olyan jelenségekre történő alkalmazására, amelyek eredendően kvantum jellegűek.
„A kvantum gépi tanulás lehetséges alkalmazásai közül ez az a terület, ahol elég egyértelmű a kvantumelőny megléte”, mondta Aram Harrow fizikus, a Massachusetts Institute of Technology (MIT) munkatársa.
MI-ben segíthetnek a kvantum algoritmusok?
Az elmúlt 20 év során a kvantumszámítógépekkel foglalkozó kutatók rengeteg kvantum-algoritmust fejlesztettek már ki, melyek elméletileg hatékonyabbá tehetik a gépi tanulást. 2008-ban Harrow az MIT fizikusaival, Seth Lloyddal és Avinatan Hassidimmel együtt feltaláltak egy kvantumalgoritmust, ami exponenciálisan gyorsabb a lineáris egyenletek nagy halmazainak megoldásában, mint egy klasszikus számítógép. Ezeknek az egyenleteknek a megoldása az egyik olyan kihívás, ami a gépi tanulás fókuszának középpontjában áll.
Néhány esetben azonban a kvantumalgoritmusok ígérete eddig nem vált be. Az egyik nagy horderejű példa 2018-ból Ewin Tang informatikus esete, aki megtalálta a módját egy 2016-ban kidolgozott kvantumgépi tanulási algoritmus legyőzésének. A szóban forgó kvantumalgoritmust úgy alakították ki, hogy javaslatokat nyújtson az olyan internetes vásárlással foglalkozó szolgáltatóknak, mint például a Netflix, az ügyfelek előzetes döntései alapján. Így a cég exponenciálisan gyorsabban tudott a fogyasztói számára ajánlásokat tenni, mint az bármely ismert klasszikus algoritmussal lehetséges lett volna.
Tang tehát – aki akkoriban 18 éves egyetemista volt a Texasi Egyetemen – olyan algoritmust írt, amely majdnem ugyanolyan gyors volt, de egy közönséges számítógépen is lehetett futtatni. Tang algoritmusa ritka – de fontos – példája volt egy olyan algoritmusnak, ami jelentős sebességnövekedést jelentett egy gyakorlati problémában, ezért munkája „a gyakorlati gépi tanulás problémakörének exponenciális kvantumgyorsítási célját még távolabbra tolta ki a jövőbe, mint az ahol korábban volt”, vélekedett Scott Aaronson kvantumszámítógép-kutató, aki Tang tanácsadója volt. Tang egyébként azt mondta, hogy továbbra is „elég szkeptikus” a gépi tanulás jelentős kvantumgyorsítására vonatkozó állításokkal kapcsolatban.
Klasszikus adatok a kvantumrendszerekben
Potenciálisan még nagyobb problémát jelent, hogy a klasszikus adatok és a kvantumszámítástechnika nem mindig házasíthatók jól. Nagyjából elmondható, hogy egy tipikus kvantumszámítási alkalmazásnak három fő lépése van. Először is inicializálják a kvantumszámítógépet, ami azt jelenti, hogy az egyes memóriaegységei, az úgynevezett kvantumbitek vagy qubitek, kollektív összefonódott kvantumállapotba kerülnek. Ezután a számítógép végrehajt egy műveletsort, a klasszikus biteken végzett logikai műveletek kvantumanalógiáját. A harmadik lépésben a számítógép kiolvasást hajt végre, például egyetlen qubit állapotának mérésével, ami információt hordoz a kvantumművelet eredményéről. Ez lehet például az, hogy egy adott elektron a gépben az óramutató járásával megegyezően vagy ellentétes irányban forog.
Az olyan algoritmusok, mint amilyet Harrow, Hassidim és Lloyd alkottak azt ígérik, hogy felgyorsítják a második lépést – a kvantumműveleteket. De sok alkalmazásban az első és a harmadik lépés rendkívül lassú lehet, ami semmissé teheti az előnyöket. Az inicializálási lépés megköveteli a „klasszikus” adatok kvantumszámítógépre történő betöltését, és kvantumállapotba történő fordítását, ami gyakran nem hatékony folyamat.
És mivel a kvantumfizika eredendően valószínűség-alapú, a kiolvasásnak gyakran van egy véletlenszerű eleme is, amely esetben a számítógépnek mindhárom szakaszt többször is meg kell ismételnie, és az eredményeket átlagolnia kell, hogy megkapja a végső választ. Nathan Wiebe, a Washingtoni Egyetem kvantumszámítógép-kutatója szerint is hosszú időbe telhet a válasz kinyerése, miután a kvantumizált adatokat feldolgozták egy végső kvantumállapotba.
„Szinte bármilyen kutatót megkérdezve, hogy a kvantumszámítógépek milyen alkalmazásokban lesznek jók, a válasz mindig az, hogy ‘valószínűleg a nem klasszikus adatokkal való munka esetében’”, mondta Schuld. „Eddig nem akadt valódi okunk azt hinni, hogy a klasszikus adatokhoz kvantumgépek kellenének”, tette hozzá.
Vallecorsa és mások szerint ugyanakkor nem a sebesség nem az egyetlen mérőszám, amely alapján a kvantumalgoritmust meg lehet ítélni. Vannak arra utaló jelek is, hogy a gépi tanulással hajtott kvantum-MI-rendszer megtanulhatja felismerni az adatokban azokat a mintákat, amelyeket a klasszikus társaik nem találnak meg.
Ennek az az oka, hogy a kvantum-összefonódás összefüggéseket hoz létre a kvantumbitek és így az adatpontok között is, mondta Karl Jansen, a németországi DESY részecskefizikai labor fizikusa. „Az a legfőbb reményünk, hogy olyan összefüggéseket tudunk kimutatni az adatokban, melyeket nagyon nehéz lenne kimutatni a klasszikus algoritmusokkal”, mondta.
Aaronson erről mást gondol. A kvantumszámítógépek a fizika jól ismert törvényeit követik, ezért működésüket és a kvantumalgoritmus kimenetelét egy közönséges számítógép is tökéletesen megjósolhatja – ha elegendő idő áll a rendelkezésre. „Így a valóban érdekes kérdés az, hogy a kvantumszámítógép gyorsabb lesz-e, mint egy tökéletes, klasszikus gépeken futtatott szimuláció”, világított rá Aaronson.
Alapvető kvantumváltozás
Egy másik lehetőség lehet a klasszikus adatok lefordítási nehézségeinek megkerülése azáltal, hogy kvantum gépi tanulási algoritmusokat használunk olyan adatokon, melyek már kvantum jellegűek. A kvantumfizika története során a kvantumjelenség mérését úgy határozták meg, mint egy numerikus leolvasás elvégzését egy olyan műszerrel, amely a makroszkopikus, klasszikus világban, és annak szabályai szerint dolgozik. Létezik azonban egy születőben lévő, kvantumérésnek nevezett technika, amely lehetővé teszi, hogy egy rendszer kvantumtulajdonságait tisztán kvantumműszerekkel mérjük. Ha közvetlenül feltöltik a kvantumállapotokat a kvantumszámítógép qubitjeire, a kvantum gépi tanulás felhasználható minták észlelésére, bármiféle klasszikus rendszer használata nélkül.
Ami a gépi tanulást illeti, az nagy előnyöket kínálhat a kvantumméréseket klasszikus adatpontként gyűjtő rendszerekkel szemben, mondta Hsin-Yuan Huang, az MIT fizikusa és a Google kutatója. „Világunk eredendően kvantummechanikus. Ha szeretnénk egy kvantumgépet, amely képes tanulni, az sokkal erősebb is lehet, mint a mai rendszereink” – mondta.
Huang és munkatársai a Google egyik Sycamore kvantumszámítógépén végrehajtottak egy, az elgondolás helyességét bizonyító kísérletet. A qubitek egy részét egyfajta absztrakt anyag viselkedésének szimulálására használták, a processzor egy másik része ezután információkat nyert ki ezekből a qubitekből, és kvantum gépi tanulással elemezte azokat. A kutatók azt állapították meg, hogy a technika exponenciálisan gyorsabb, mint a klasszikus mérés és adatelemzés.
A jövő kvantummegoldásai
Az adatok teljes körű gyűjtése és elemzése a kvantumvilágban lehetővé teheti a fizikusok számára, hogy olyan kérdéseket tudjanak megválaszolni, melyekre a klasszikus mérések csak közvetetten tudnak választ adni, mondta Huang.
Az egyik ilyen érdekes kérdés például az, hogy egy adott anyag olyan kvantumállapotban van-e, amely szupravezetővé teszi, vagyis képes-e gyakorlatilag nulla ellenállással vezetni az elektromosságot.
A klasszikus kísérletek megkövetelik a fizikusoktól, hogy közvetetten bizonyítsák a szupravezetést, például annak tesztelésével, hogy az anyag hogyan reagál a mágneses mezőkre. Jensen szerint a részecskefizikusok azt is vizsgálják, hogy a kvantumérzékelés segítségével hogyan kezeljék a jövőbeli részecskeütköztetők által előállított adatokat. Példa erre a LUXE ütköztetőben végzett DESY-kísérlet, amelynek során elektronokat és fotonokat ütköztetnek majd össze, bár az ötlet még legalább egy évtizedre van a megvalósítástól. Az egymástól távol eső csillagászati obszervatóriumok kvantumérzékelőket is használhatnak az adatok összegyűjtésére, egy jövőbeli „kvantuminternet” segítségével központi laboratóriumba juttatva ezeket az adatokat kvantumszámítógépen történő feldolgozás céljából. Ezzel majd valószínűleg minden eddiginél részletesebb, nagyon jó minőségű képeket lehet majd készíteni.
„Ha az ilyen kvantumérzékelő alkalmazások sikeresnek bizonyulnak, a kvantum gépi tanulásnak szerepe lehet a kísérletekből származó mérések kombinálásában és a kapott kvantumadatok elemzésében. Végső soron azt, hogy a kvantumszámítógépek előnyöket kínálnak-e a gépi tanulásban, kísérletezéssel kell majd eldönteni ahelyett, hogy a gépek jóelőre matematikai bizonyítékokat adnának a felsőbbrendűségükről, vagy annak hiányáról. Nem várhatjuk el, hogy mindent úgy bizonyítsanak be, ahogyan azt mi emberek az elméleti számítástechnikában tesszük” – mondta Harrow.
„Úgy gondolom, hogy a kvantum gépi tanulást továbbra is érdemes tanulmányozni függetlenül attól, hogy ez végül növeli-e a hatékonyságot, vagy sem”, zárta mondandóját Aronson. Schuld egyetértett: „Anélkül kell elvégeznünk a kutatást, hogy a gyorsulást is bizonyítani kelljen, legalábbis még egy ideig.”
