Cổ điển học máy (ML) các thuật toán đã được chứng minh là công cụ mạnh mẽ cho nhiều nhiệm vụ, bao gồm nhận dạng hình ảnh và giọng nói, xử lý ngôn ngữ tự nhiên (NLP) và mô hình dự đoán. Tuy nhiên, các thuật toán cổ điển bị hạn chế bởi các ràng buộc của máy tính cổ điển và có thể gặp khó khăn khi xử lý các tệp lớn và bộ dữ liệu phức tạp hoặc đạt được mức độ chính xác và độ chính xác cao.

Nhập máy học lượng tử (QML).

QML kết hợp sức mạnh của Tính toán lượng tử với khả năng dự đoán của ML để khắc phục những hạn chế của thuật toán cổ điển và đưa ra các cải tiến về hiệu suất. Trong bài báo của họ “Về vai trò của sự vướng víu trong việc tăng tốc tính toán lượng tử,” Richard Jozsa và Neil Linden, thuộc Đại học Bristol ở Anh, viết rằng “Các thuật toán QML hứa hẹn cung cấp khả năng tăng tốc theo cấp số nhân so với các thuật toán cổ điển của chúng đối với một số tác vụ nhất định, chẳng hạn như phân loại dữ liệu, lựa chọn tính năng và phân tích cụm . Đặc biệt, việc sử dụng các thuật toán lượng tử cho học có giám sát và không giám sát có tiềm năng cách mạng hóa học máy và trí tuệ nhân tạo".

QML so với học máy cổ điển

Zohra Ladha, giám đốc cấp cao về khoa học dữ liệu và AI tại Credence, cho biết QML khác với học máy truyền thống ở một số điểm chính:

TRƯỜNG

Hội nghị thượng đỉnh bảo mật thông minh theo yêu cầu

Tìm hiểu vai trò quan trọng của AI & ML trong an ninh mạng và các nghiên cứu điển hình cụ thể trong ngành. Xem các phiên theo yêu cầu ngày hôm nay.

Xem tại đây

 

 

  1. Tính song song lượng tử: Các thuật toán lượng tử có thể tận dụng đặc tính độc nhất của các hệ lượng tử được gọi là tính song song lượng tử, cho phép chúng thực hiện đồng thời nhiều phép tính. Khi xử lý số lượng lớn dữ liệu, chẳng hạn như hình ảnh hoặc lời nói, có thể giảm đáng kể thời gian cần thiết để giải quyết vấn đề.
  2. Chồng chất lượng tử: Chồng chất lượng tử cho phép một thuật toán lượng tử biểu diễn đồng thời nhiều trạng thái. Điều này có thể cho phép nó khám phá các giải pháp khả thi cho một vấn đề, dẫn đến các giải pháp chính xác và hiệu quả hơn.
  3. Rối lượng tử: Các thuật toán lượng tử cũng có thể sử dụng thuộc tính của rối lượng tử, cho phép các hệ lượng tử tương quan theo những cách mà vật lý cổ điển không thể giải thích được. Điều này có thể cho phép các thuật toán lượng tử thực hiện một số nhiệm vụ hiệu quả hơn các thuật toán cổ điển.

 

Các thuật toán học máy truyền thống, dựa trên các kỹ thuật điện toán cổ điển và thiếu các khả năng lượng tử này, có thể chậm hơn hoặc kém chính xác hơn trong một số trường hợp nhất định.

Hành trình QML: Từ nghiên cứu đến thế giới thực

Nghiên cứu về máy học lượng tử bắt đầu từ những năm 1980. Vào cuối những năm 1990 và đầu những năm 2000, các nhà nghiên cứu đã phát triển lượng tử mạng thần kinh để chứng minh tiềm năng của các hệ thống lượng tử dành cho máy học có thể được đào tạo để nhận dạng các mẫu trong dữ liệu. Kể từ đó, các mạng này đã được áp dụng cho một loạt các vấn đề trong thế giới thực.

Một thập kỷ sau, các nhà nghiên cứu đã phát triển các thuật toán lượng tử và công cụ phần mềm cho các nhiệm vụ học máy. Chúng bao gồm các phiên bản lượng tử của các thuật toán học máy phổ biến như máy vectơ hỗ trợ, cây quyết định và mạng lưới thần kinh.

Sự phát triển của máy tính lượng tử cũng là một yếu tố chính trong sự phát triển của QML. Trong những năm 2010 và 2020, một số công ty và nhóm nghiên cứu đã phát triển máy tính lượng tử có thể thực hiện các tác vụ học máy. Chúng bao gồm cả máy tính lượng tử dựa trên cổng và lượng tử máy ủ. Đến những năm 2020, QML bắt đầu được áp dụng rộng rãi trong các ứng dụng bao gồm nhận dạng mẫu, xử lý ngôn ngữ tự nhiên và tối ưu hóa.

Ngày nay, một trong những ứng dụng hứa hẹn nhất của QML là khám phá thuốc. Các quy trình khám phá thuốc truyền thống có thể chậm, tốn kém và không nhất quán. QML có khả năng đẩy nhanh quá trình. “Sau thành công ban đầu của chúng tôi trong việc tìm kiếm một COVID-19 phân tử trị liệuNikhil Malhotra, người đứng đầu toàn cầu của Makers Lab tại Tech Mahindra cho biết, chúng tôi muốn mở rộng không gian để tạo ra các phân tử nhỏ hơn. “GAN lượng tử hoặc thế hệ GAN lai là thứ mà chúng tôi đang cố gắng cho các phân tử nhỏ. Tôi tin rằng điều này sẽ thúc đẩy đáng kể việc khám phá thuốc và thậm chí tạo ra thuốc mới.”

Thị trường tài chính là một lĩnh vực khác mà QML đã thể hiện sự hứa hẹn. Một giấy 2021 từ Phòng thí nghiệm Nghiên cứu Ứng dụng và Kỹ thuật Tương lai của JPMorgan đã kết luận rằng QML có thể thực hiện các nhiệm vụ như định giá tài sản, dự đoán sự biến động, dự đoán kết quả của các quyền chọn ngoại lai, phát hiện gian lận, lựa chọn cổ phiếu, lựa chọn quỹ phòng hộ, giao dịch theo thuật toán, tạo lập thị trường, dự báo tài chính, kế toán, kiểm toán và đánh giá rủi ro nhanh hơn và chính xác hơn nhiều so với các thuật toán cổ điển.

Lời hứa năm 2023 của máy học lượng tử

Ladha cho biết: “QML là một lĩnh vực thú vị và đang phát triển nhanh chóng, có tiềm năng tác động đáng kể đến nhiều ngành công nghiệp và ứng dụng. Vào năm 2023, cô ấy dự đoán rằng các thuật toán lượng tử có khả năng thực hiện một số tác vụ máy học nhanh hơn và chính xác hơn, đặc biệt là đối với các tác vụ như nhận dạng hình ảnh và giọng nói, vốn yêu cầu xử lý một lượng lớn dữ liệu. Cô ấy cũng chỉ ra rằng QML có thể giải quyết các vấn đề tối ưu hóa thường phát sinh trong các tác vụ học máy và rất khó giải quyết bằng các thuật toán cổ điển. Ladha dự đoán rằng khả năng giải quyết những vấn đề này hiệu quả hơn của các thuật toán lượng tử có thể mang lại lợi ích cho ngành tài chính và hậu cần.

An ninh mạng là một lĩnh vực khác mà cô ấy dự đoán QML sẽ tạo ra tác động. Bà nói: “Bằng cách phát triển các thuật toán tinh vi hơn để phát hiện và ngăn chặn các cuộc tấn công mạng, máy học lượng tử có thể cải thiện tính bảo mật của các hệ thống.

Tìm hiểu sâu hơn một chút về bản thân công nghệ, Malhotra nói rằng ông hy vọng sẽ thấy phần lớn các thuật toán ML, đặc biệt là các thuật toán trên mạng thần kinh nhân tạo, sẽ được thử trên máy lượng tử dưới dạng thuật toán học máy lượng tử. “Chúng tôi đã thấy những phiên bản đầu tiên như QNLP, Q-GAN và thậm chí cả việc học tăng cường trên các mạch lượng tử. Tôi dự đoán xu hướng này sẽ phát triển vào năm 2023,” ông nói.

Những thách thức học máy lượng tử vẫn còn

QML là một vấn đề lớn vì lời hứa của nó. Bằng chứng cho thấy rằng các mô hình máy học có thể được đào tạo để có độ chính xác cao hơn với ít dữ liệu hơn so với các kỹ thuật cổ điển hiện tại của chúng ta. Tuy nhiên, theo Scott Buchholz, lãnh đạo lượng tử toàn cầu và CTO, của chính phủ và các dịch vụ công cộng, tại Deloitte Consulting LLP, câu trả lời cho các câu hỏi, "Ít hơn bao nhiêu?" và “Nhanh hơn bao nhiêu?” thay đổi thường xuyên do những thách thức sau QML:

 

  • “Về mặt phần cứng, các máy tính lượng tử mạnh nhất hiện nay vẫn còn hạn chế — đặc biệt khi so sánh với các máy chủ mạnh nhất hiện nay. Chúng tôi dự đoán rằng điều đó sẽ thay đổi trong những năm tới vì có nhiều chỗ hơn cho công nghệ điện toán lượng tử phát triển và tiến bộ.
  • “Về phần mềm và thuật toán, máy tính lượng tử hoạt động khác cơ bản so với máy tính ngày nay. Do đó, các nhà nghiên cứu đang cố gắng tìm ra những cách tốt nhất để ánh xạ các vấn đề lên máy tính lượng tử (và thực tế là xác định vấn đề nào có thể hữu ích để giải quyết trên máy tính lượng tử). Khi chúng tôi đưa ra các ánh xạ tổng quát tốt hơn, những người khác sẽ dễ dàng 'đưa vấn đề của họ' vào máy tính lượng tử hơn.

“Trong nhiều năm, QML đã - và tiếp tục là - một lĩnh vực nghiên cứu tích cực. Khi mức độ trưởng thành của phần cứng và phần mềm được cải thiện, chúng ta có thể thấy các tổ chức bắt đầu đánh giá việc sử dụng QML trong khối lượng công việc sản xuất,” Buchholz tiếp tục. “Vì chúng tôi vẫn còn vài năm nữa mới có một cỗ máy có thể chạy khối lượng công việc QML sản xuất, nên chúng tôi đang tiếp tục nâng cao trình độ nghệ thuật trong QML khi phần cứng tiếp tục được cải thiện. Nhưng tôi dự đoán tiến trình QML gia tăng trong suốt năm 2023 — nghĩa là tiếp tục cải thiện các kỹ thuật để mở rộng quy mô khối lượng, tải dữ liệu và chạy các mô hình.”

Dịch "