Sind Sie bereit, Quantenmaschinelles Lernen in praktische Anwendungen umzusetzen?

Bankinstitute verstehen und verfolgen oft das Transaktionsverhalten der Kunden, wenn sie ihre Bankkarten verwenden. Wenn jemand beispielsweise in den Urlaub nach Schweden fährt, kann er statt Bargeld mit Kreditkarte bezahlen. Sobald jedoch jemand anderes die Kreditkarte nutzt, kann die Bank, die die Kreditkarte ausgestellt hat, nicht entscheiden, die Transaktion zu sperren. Schließlich gibt es in den Aufzeichnungen über den Karteneinzug keinerlei Hinweise darauf, dass jemand anderes die Karte entwendet hat.

Die maschinellen Lernalgorithmen der Banken treffen jeden Tag Milliarden dieser Entscheidungen. Dies ist in der Informatik als „Durchschnittsklassifizierungsproblem“ bekannt und diese Modelle müssen entscheiden, ob eine Transaktion dem normalen Kaufverhalten eines Kunden entspricht. Bei herkömmlichen Algorithmen für maschinelles Lernen wird dieses Problem hauptsächlich durch die Profilierung des Zahlungsverlaufs des Verbrauchers und anderer Interaktionsinformationen mit der Bank gelöst, was ein rechenintensiver und unvollkommener Prozess ist.

Sind Algorithmen für Quantenmaschinelles Lernen an der Spitze der Technologie bereit für solche praktischen Anwendungen? Über die Antwort auf diese Frage sind sich Branchenexperten uneinig.

Wann kommt Quantenmaschinelles Lernen?

Richard Hopkins, ein angesehener Ingenieur bei IBM und Mitglied der Royal Academy of Engineering, erklärte, dass eine andere Option darin bestehen könnte, Algorithmen für Quantenmaschinelles Lernen zu verwenden.

Er wies darauf hin, dass herkömmliche Modelle des maschinellen Lernens viel Zeit und Ressourcen zum Trainieren benötigen, um alle verschiedenen Merkmale einer Transaktion zu identifizieren und abzuwägen, um festzustellen, ob die Transaktion verdächtig ist. Im Gegensatz dazu verwenden quantenmechanische Lernmodelle Überlagerungen von Qubits, um diese Merkmale gleichzeitig zu beobachten, und sind daher in der Lage, Antworten auf sehr schwierige Klassifizierungsprobleme viel schneller zu finden.

Obwohl sich der Bereich des quantenmaschinellen Lernens noch im experimentellen Stadium befindet, kann es nach Ansicht von Hopkins nur fünf Jahre dauern, bis die Anwendung von Algorithmen für quantenmaschinelles Lernen in verschiedenen Bereichen wie Betrugserkennung, Arzneimittelforschung und -entwicklung usw. zu sehen ist Computer Vision.

Aber nicht alle Experten stimmen dieser Ansicht zu. Dr. Maria Schuld, Forscherin beim Quanten-Start-up Xanadu und Co-Autorin des Buches „Machine Learning for Quantum Computers“, glaubt, dass quantenmaschinelles Lernen auf lange Sicht zweifellos ein enormes Entwicklungspotenzial hat, aber praktische Anwendungen von Quanten realisiert Computing scheint derzeit in weiter Ferne.

Sie sagte: „Wir sind Wissenschaftler und erstellen normalerweise Geschäftsmodelle für die Wissenschaft, die wir studieren. Wir tun dies nicht, weil wir wissen, dass es funktionieren wird, sondern in der Hoffnung, dass es einige aufregende Ergebnisse gibt.“

Quantum Machine Learning Noch experimentell

Quantenmaschinelles Lernen ist ein relativ neues Feld. Obwohl bereits seit Mitte der 1990er-Jahre Forschungsarbeiten zu diesem Thema veröffentlicht wurden, hat das maschinelle Quantenlernen erst in den letzten fünf oder sechs Jahren begonnen, die Aufmerksamkeit der wissenschaftlichen Gemeinschaft auf sich zu ziehen.

Schuld stellte fest, dass es beim Quantenmaschinellen Lernen zwei große Forschungsbereiche gibt: Der eine besteht darin, Quantencomputer zur Beschleunigung traditioneller Algorithmen des maschinellen Lernens zu verwenden, wie zum Beispiel der Gibbs-Sampler; Als Grundlage wird das Modell auf ähnliche Weise wie herkömmliche neuronale Netze trainiert.

Dennoch befindet sich dieser Bereich insgesamt noch in einem sehr experimentellen Stadium. Sie erklärte, dass sich Algorithmen für maschinelles Lernen zwar in manchen Fällen als „Quantenvorteile“ gegenüber herkömmlichen Algorithmen erweisen können, es jedoch einige Zeit dauern wird, bis sie für reale Anwendungen in Betracht gezogen werden können.

Dies wird durch die Begeisterung für Quantenmaschinelles Lernen in mehreren Studien überschattet, die oft unter der Prämisse veröffentlicht werden, dass Quantenvorteile in einem einzigen, engen Anwendungsfall erzielt werden. „Das ist aus akademischer Sicht interessant, sagt aber nicht viel über mögliche Anwendungen des Quantencomputings aus“, bemerkte Schuld. „Schließlich wurden viele der in diesen Studien behandelten Probleme sorgfältig für die Arbeit auf einem Quantencomputer programmiert.“ Mit anderen Worten: Sie sind nur gut darin, sehr spezifische Probleme mit einem Quantencomputer zu lösen Probleme. Im Gegensatz dazu haben Forscher im Bereich Quantenmaschinelles Lernen immer noch Schwierigkeiten, eine Methode an eine Reihe von Aufgaben anzupassen. Aus diesem Grund wies Schuld deutlich darauf hin, dass es noch nicht an der Zeit sei, Quantenchips als Basis für neue Modelle des maschinellen Lernens zu nutzen.

Quantenmaschinelles Lernen muss sich in der Realität beweisen

Während Quantencomputing-Forscher darin übereinstimmen, dass quantenmaschinelles Lernen in bestimmten Situationen weitaus bessere Ergebnisse erzielen kann als herkömmliches maschinelles Lernen, sind Experten skeptisch, wie lange es dauern wird, bis ersteres funktioniert tatsächlich verwendet Es gibt Unterschiede.

Hopkins räumte ein, dass es auf diesem Gebiet immer noch an einer gemeinsamen Vorlage für die Zuordnung von Problemen zu Algorithmen und die Generierung von Lösungen mangelt, was auch ein Problem ist, mit dem das traditionelle maschinelle Lernen einst konfrontiert war, aber sobald es fertig ist, wird es sehr einfach sein, die Vorteile dieser Technologie zu nutzen .

„Quantencomputer ermöglichen es Benutzern, bessere und genauere Entscheidungen auf der Grundlage höherdimensionaler Datensätze zu treffen. Wir haben dies in der Theorie bewiesen, wir haben es im Labor bewiesen und wir kommen diesem Ziel näher .“

Aber sind quantenmechanische Lernmodelle dafür bereit?? Schuld meint nein. Sie sagte: „Solange sich die zugrunde liegende Hardware nicht verbessert, wissen wir nicht, ob es Algorithmen für Quantenmaschinelles Lernen geben wird, die eine große Anzahl praktischer Probleme lösen können. Wenn wir keine fehlerfreien Maschinen haben, wird es eine Grenze für das geben, was tatsächlich kann.“ Was die praktische Anwendung betrifft, ist dies etwas bedauerlich.“ Er sagte: „Es ist unmöglich, dies auf einem Quantencomputer mit nur 433 Qubits zu erreichen, aber wir machen jedes Jahr Fortschritte bei der Erweiterung der Anzahl möglicher Experimente zum maschinellen Quantenlernen. Die Menschen werden nach und nach sehen, wie sich die Modelle des maschinellen Quantenlernens ändern. Sie müssen vielseitiger sein.“ .“

Das obige ist der detaillierte Inhalt vonSind Sie bereit, Quantenmaschinelles Lernen in praktische Anwendungen umzusetzen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!