[et_pb_section fb_built=”1″ admin_label=”section” _builder_version=”4.16″ global_colors_info=”{}”][et_pb_row admin_label=”row” _builder_version=”4.16″position background_size=”initial” ” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_text admin_label=”Text” _builder_version=”4.16″ background_size=”initial” background_position=”top_left” background_repeat=”repeat” global_colors_info
Κλασική μηχανική εκμάθηση (ML) Οι αλγόριθμοι έχουν αποδειχθεί ισχυρά εργαλεία για ένα ευρύ φάσμα εργασιών, συμπεριλαμβανομένης της αναγνώρισης εικόνας και ομιλίας, επεξεργασία φυσικής γλώσσας (NLP) και προγνωστική μοντελοποίηση. Ωστόσο, οι κλασικοί αλγόριθμοι περιορίζονται από τους περιορισμούς των κλασικών υπολογιστών και μπορούν να δυσκολευτούν να επεξεργαστούν μεγάλες και σύνθετα σύνολα δεδομένων ή να επιτύχουν υψηλά επίπεδα ακρίβειας και ακρίβειας.
Εισαγάγετε την κβαντική μηχανική μάθηση (QML).
Η QML συνδυάζει τη δύναμη του κβαντική υπολογιστική με τις προγνωστικές δυνατότητες της ML για να ξεπεραστούν οι περιορισμοί των κλασικών αλγορίθμων και να προσφέρουν βελτιώσεις απόδοσης. Στο χαρτί τους»Σχετικά με το ρόλο της εμπλοκής στην κβαντική-υπολογιστική επιτάχυνση», οι Richard Jozsa και Neil Linden, από το Πανεπιστήμιο του Bristol στο Ηνωμένο Βασίλειο, γράφουν ότι «οι αλγόριθμοι QML υπόσχονται να παρέχουν εκθετικές επιταχύνσεις σε σχέση με τους κλασικούς αντίστοιχους για ορισμένες εργασίες, όπως η ταξινόμηση δεδομένων, η επιλογή χαρακτηριστικών και η ανάλυση συμπλέγματος . Ειδικότερα, η χρήση κβαντικών αλγορίθμων για εποπτευόμενη και χωρίς επίβλεψη μάθηση έχει τη δυνατότητα να φέρει επανάσταση στη μηχανική μάθηση και τεχνητή νοημοσύνη. "
Zohra Ladha, ανώτερος διευθυντής της επιστήμης δεδομένων και της τεχνητής νοημοσύνης στο Credence, λέει ότι η QML διαφέρει από την παραδοσιακή μηχανική μάθηση με πολλούς βασικούς τρόπους:
Ευφυής Σύνοδος Κορυφής Ασφάλειας Κατ' Απαίτηση
Μάθετε τον κρίσιμο ρόλο του AI & ML στην ασφάλεια στον κυβερνοχώρο και τις ειδικές περιπτωσιολογικές μελέτες του κλάδου. Παρακολουθήστε τις συνεδρίες κατ' απαίτηση σήμερα.
Οι παραδοσιακοί αλγόριθμοι μηχανικής μάθησης, που βασίζονται σε κλασικές υπολογιστικές τεχνικές και δεν έχουν αυτές τις κβαντικές δυνατότητες, μπορεί να είναι πιο αργοί ή λιγότερο ακριβείς σε ορισμένες περιπτώσεις.
Η έρευνα για την κβαντική μηχανική μάθηση ξεκίνησε τη δεκαετία του 1980. Στα τέλη της δεκαετίας του 1990 και στις αρχές της δεκαετίας του 2000, οι ερευνητές ανέπτυξαν το κβαντικό νευρωνικά δίκτυα να καταδείξει τις δυνατότητες των κβαντικών συστημάτων για μηχανική μάθηση που μπορούν να εκπαιδευτούν να αναγνωρίζουν μοτίβα σε δεδομένα. Αυτά τα δίκτυα έχουν εφαρμοστεί από τότε σε ένα ευρύ φάσμα προβλημάτων του πραγματικού κόσμου.
Μια δεκαετία αργότερα, οι ερευνητές ανέπτυξαν κβαντικούς αλγόριθμους και εργαλεία λογισμικού για εργασίες μηχανικής μάθησης. Αυτές περιελάμβαναν κβαντικές εκδόσεις δημοφιλών αλγορίθμων μηχανικής μάθησης, όπως μηχανές υποστήριξης διανυσμάτων, δέντρα αποφάσεων και νευρωνικά δίκτυα.
Η ανάπτυξη των κβαντικών υπολογιστών υπήρξε επίσης βασικός παράγοντας στην ανάπτυξη της QML. Τις δεκαετίες 2010 και 2020, αρκετές εταιρείες και ερευνητικές ομάδες ανέπτυξαν κβαντικούς υπολογιστές που θα μπορούσαν να εκτελούν εργασίες μηχανικής μάθησης. Αυτά περιελάμβαναν τόσο κβαντικούς υπολογιστές βασισμένους σε πύλη όσο και κβαντική ανόπτησης. Μέχρι τη δεκαετία του 2020, η QML άρχισε να υιοθετείται ευρέως σε εφαρμογές όπως η αναγνώριση προτύπων, η επεξεργασία φυσικής γλώσσας και η βελτιστοποίηση.
Σήμερα, μια από τις πιο υποσχόμενες εφαρμογές της QML είναι η ανακάλυψη φαρμάκων. Οι παραδοσιακές διαδικασίες ανακάλυψης φαρμάκων μπορεί να είναι αργές, δαπανηρές και ασυνεπείς. Η QML έχει τη δυνατότητα να επιταχύνει τη διαδικασία. «Μετά την αρχική μας επιτυχία στην εύρεση α COVID-19 θεραπευτικό μόριο, θέλαμε να επεκτείνουμε το διάστημα για να δημιουργήσουμε τώρα μικρότερα μόρια», δήλωσε ο Nikhil Malhotra, παγκόσμιος επικεφαλής, του Makers Lab στην Tech Mahindra. «Το Quantum GAN ή η υβριδική γενιά GAN είναι κάτι που προσπαθούμε για μικρά μόρια. Αυτό, πιστεύω, θα προωθούσε σημαντικά την ανακάλυψη φαρμάκων και ακόμη και τη δημιουργία νέων φαρμάκων».
Οι χρηματοοικονομικές αγορές είναι ένας άλλος τομέας όπου η QML έχει δείξει πολλά υποσχόμενη. ΕΝΑ χαρτί 2021 από το Future Lab for Applied Research and Engineering της JPMorgan συμπέρανε ότι η QML μπορεί να εκτελέσει εργασίες όπως τιμολόγηση περιουσιακών στοιχείων, πρόβλεψη αστάθειας, πρόβλεψη του αποτελέσματος εξωτικών επιλογών, ανίχνευση απάτης, επιλογή μετοχών, επιλογή αμοιβαίων κεφαλαίων αντιστάθμισης κινδύνου, αλγοριθμικές συναλλαγές, διαπραγμάτευση αγοράς, χρηματοοικονομικές προβλέψεις, τη λογιστική και τον έλεγχο και την αξιολόγηση κινδύνου πολύ πιο γρήγορα και με μεγαλύτερη ακρίβεια από τους κλασικούς αλγόριθμους.
«Η QML είναι ένας συναρπαστικός και ταχέως αναπτυσσόμενος τομέας που έχει τη δυνατότητα να επηρεάσει σημαντικά ένα ευρύ φάσμα βιομηχανιών και εφαρμογών», δήλωσε ο Ladha. Για το 2023, προβλέπει ότι οι κβαντικοί αλγόριθμοι έχουν τη δυνατότητα να εκτελούν ορισμένες εργασίες μηχανικής μάθησης πιο γρήγορα και με μεγαλύτερη ακρίβεια, ειδικά για εργασίες όπως η αναγνώριση εικόνας και ομιλίας, που απαιτούν επεξεργασία μεγάλων ποσοτήτων δεδομένων. Επισημαίνει επίσης ότι η QML μπορεί να αντιμετωπίσει προβλήματα βελτιστοποίησης που προκύπτουν συχνά σε εργασίες μηχανικής μάθησης και είναι δύσκολο να επιλυθούν χρησιμοποιώντας κλασικούς αλγόριθμους. Ο Ladha προβλέπει ότι η ικανότητα των κβαντικών αλγορίθμων να επιλύουν αυτά τα προβλήματα πιο αποτελεσματικά θα μπορούσε να ωφελήσει τη χρηματοδότηση και την εφοδιαστική.
Κυβερνασφάλεια είναι ένας άλλος τομέας όπου προβλέπει ότι η QML θα έχει αντίκτυπο. «Με την ανάπτυξη πιο εξελιγμένων αλγορίθμων για τον εντοπισμό και την πρόληψη κυβερνοεπιθέσεων, η κβαντική μηχανική μάθηση θα μπορούσε να βελτιώσει την ασφάλεια των συστημάτων», είπε.
Σκάβοντας λίγο βαθύτερα στην ίδια την τεχνολογία, ο Malhotra είπε ότι αναμένει να δει τη συντριπτική πλειονότητα των αλγορίθμων ML, ιδιαίτερα αυτών σε τεχνητά νευρωνικά δίκτυα, να δοκιμάζονται στην κβαντική μηχανή ως αλγόριθμοι κβαντικής μηχανικής μάθησης. «Έχουμε δει πρώιμες παραδόσεις όπως QNLP, Q-GAN και ακόμη και ενισχυμένη μάθηση σε κβαντικά κυκλώματα. Αναμένω την τάση να αναπτυχθεί το 2023», είπε.
Η QML είναι μεγάλη υπόθεση λόγω της υπόσχεσής της. Τα στοιχεία δείχνουν ότι τα μοντέλα μηχανικής μάθησης μπορούν να εκπαιδευτούν για μεγαλύτερη ακρίβεια με λιγότερα δεδομένα από ό,τι μπορούν με τις τρέχουσες κλασσικές τεχνικές μας. Ωστόσο, σύμφωνα με Scott Buchholz, παγκόσμιου κβαντικού μολύβδου και CTO, της κυβέρνησης και των δημόσιων υπηρεσιών, στην Deloitte Consulting LLP, η απάντηση στις ερωτήσεις, "Πόσο λιγότερο;" και "Πόσο πιο γρήγορα;" αλλάζει τακτικά λόγω των ακόλουθων προκλήσεων QML:
«Για χρόνια, η QML ήταν —και συνεχίζει να είναι— ένας τομέας ενεργούς έρευνας. Καθώς η ωριμότητα του υλικού και του λογισμικού βελτιώνεται, είναι πιθανό να δούμε τους οργανισμούς να αρχίζουν να αξιολογούν τη χρήση της QML σε φόρτους εργασίας παραγωγής», συνέχισε ο Buchholz. «Δεδομένου ότι έχουμε ακόμη μερικά χρόνια μακριά από το να έχουμε ένα μηχάνημα που θα μπορούσε να εκτελέσει φόρτους εργασίας παραγωγής QML, συνεχίζουμε να προοδεύουμε την τελευταία λέξη της τεχνολογίας στην QML καθώς το υλικό συνεχίζει να βελτιώνεται. Αλλά αναμένω σταδιακή πρόοδο της QML καθ' όλη τη διάρκεια του 2023 — δηλαδή, τη συνέχιση της βελτίωσης των τεχνικών για την κλιμάκωση του όγκου, τη φόρτωση δεδομένων και τα μοντέλα εκτέλεσης».
[/ et_pb_text] [/ et_pb_column] [/ et_pb_row] [/ et_pb_section]
Από 1992, Applied Physics Η Corporation είναι κορυφαίος παγκόσμιος πάροχος προτύπων ακριβούς ελέγχου μόλυνσης και μετρολογίας. Ειδικευόμαστε στην οπτικοποίηση της ροής του αέρα, στα πρότυπα μεγέθους σωματιδίων και σε λύσεις απολύμανσης καθαρών χώρων για κρίσιμα περιβάλλοντα.
