Bersedia untuk meletakkan pembelajaran mesin kuantum ke dalam aplikasi praktikal?

Institusi perbankan sering memahami dan menjejaki gelagat transaksi pelanggan apabila mereka menggunakan kad bank mereka. Contohnya, jika seseorang pergi bercuti ke Sweden, dia boleh membayar menggunakan kad kredit dan bukannya membawa wang tunai. Walau bagaimanapun, apabila orang lain menggunakannya, bank yang mengeluarkan kad kredit tidak boleh membuat keputusan untuk menyekat transaksi tersebut. Lagipun, tiada bukti dalam rekod leretan kad bahawa orang lain telah menyalahgunakan kad itu.

Algoritma pembelajaran mesin bank membuat berbilion-bilion keputusan ini setiap hari. Ini dikenali sebagai "masalah klasifikasi purata" dalam sains komputer, dan model ini mesti memutuskan sama ada urus niaga adalah konsisten dengan gelagat pembelian biasa pelanggan. Untuk algoritma pembelajaran mesin tradisional, masalah ini diselesaikan terutamanya dengan memprofilkan sejarah pembayaran pengguna dan maklumat interaksi lain dengan bank, yang merupakan proses pengiraan yang intensif dan tidak sempurna.

Adakah algoritma pembelajaran mesin kuantum di barisan hadapan teknologi bersedia untuk aplikasi praktikal sedemikian? Pakar industri berbelah bahagi mengenai jawapan kepada soalan ini.

Bilakah pembelajaran mesin kuantum akan tiba?

Richard Hopkins, seorang jurutera terkenal di IBM dan ahli Akademi Kejuruteraan Diraja, menjelaskan bahawa pilihan lain mungkin menggunakan algoritma pembelajaran mesin kuantum.

Beliau menegaskan bahawa model pembelajaran mesin tradisional memerlukan banyak masa dan sumber untuk melatih mengenal pasti dan menimbang semua ciri berbeza urus niaga untuk menentukan sama ada transaksi itu mencurigakan. Sebaliknya, model pembelajaran mesin kuantum menggunakan superposisi qubit untuk memerhati ciri-ciri ini secara serentak dan oleh itu mempunyai keupayaan untuk mencari jawapan kepada masalah pengelasan yang sangat sukar dengan lebih cepat.

Menurut Hopkins, walaupun bidang pembelajaran mesin kuantum masih dalam peringkat percubaan, ia mungkin hanya mengambil masa 5 tahun untuk melihat algoritma pembelajaran mesin kuantum digunakan dalam pelbagai bidang seperti pengesanan penipuan, penyelidikan dan pembangunan dadah, dan aplikasi komputer.

Tetapi tidak semua pakar bersetuju dengan pandangan ini. Dr. Maria Schuld, seorang penyelidik di syarikat permulaan kuantum Xanadu dan pengarang bersama buku "Pembelajaran Mesin untuk Komputer Kuantum", percaya bahawa dalam jangka panjang, pembelajaran mesin kuantum sudah pasti mempunyai potensi pembangunan yang besar, tetapi merealisasikan aplikasi praktikal kuantum pengkomputeran kini kelihatan jauh.

Dia berkata, "Kami adalah saintis dan biasanya membuat kes perniagaan untuk sains yang kami pelajari. Kami melakukan ini bukan kerana kami tahu ia akan berkesan, tetapi dengan harapan akan ada hasil yang menarik."

Pembelajaran mesin kuantum masih dalam peringkat percubaan

Pembelajaran mesin kuantum ialah bidang yang agak baharu. Walaupun kertas penyelidikan mengenai subjek itu telah diterbitkan sejak pertengahan 1990-an, pembelajaran mesin kuantum baru sahaja mula menarik perhatian komuniti saintifik dalam tempoh lima atau enam tahun yang lalu.

Schuld memperkenalkan bahawa terdapat dua bidang penyelidikan yang luas dalam pembelajaran mesin kuantum Satu adalah menggunakan komputer kuantum untuk mempercepatkan algoritma pembelajaran mesin tradisional, seperti pensampel Gibbs, yang lain adalah menggunakan komputer kuantum sebagai Model, khususnya cip kuantum itu sendiri sebagai asas, melatih model dengan cara yang serupa dengan rangkaian neural tradisional.

Walaupun begitu, bidang secara keseluruhannya masih dalam peringkat percubaan yang tinggi. Beliau menjelaskan bahawa walaupun algoritma pembelajaran mesin boleh terbukti mempunyai "kelebihan kuantum" berbanding algoritma tradisional dalam beberapa kes, ia akan mengambil sedikit masa sebelum ia boleh dibayangkan untuk aplikasi dunia sebenar.

Ini dibayangi oleh keghairahan untuk pembelajaran mesin kuantum dalam pelbagai kajian, sering diterbitkan pada premis bahawa kelebihan kuantum dicapai dalam satu kes penggunaan yang sempit. "Ini menarik dari perspektif akademik, tetapi ia tidak mengatakan banyak tentang kemungkinan aplikasi pengkomputeran kuantum, " kata Schuld "Lagipun, banyak masalah yang ditangani dalam kajian ini telah dikodkan dengan teliti untuk bekerja pada komputer kuantum. Dalam erti kata lain, mereka hanya pandai menyelesaikan masalah yang sangat spesifik dengan cara yang sangat spesifik dengan komputer kuantum ”

Ini bukan masalah dengan teknik pembelajaran mesin tradisional, yang kebanyakannya boleh digeneralisasikan kepada lebih banyak masalah. Sebaliknya, penyelidik pembelajaran mesin kuantum masih berjuang untuk menyesuaikan kaedah kepada pelbagai tugas. Atas sebab ini, Schuld dengan jelas menegaskan bahawa belum tiba masanya untuk menggunakan cip kuantum sebagai asas untuk model pembelajaran mesin baharu.

Pembelajaran mesin kuantum perlu membuktikan dirinya dalam realiti

Walaupun penyelidik pengkomputeran kuantum bersetuju bahawa dalam keadaan tertentu, pembelajaran mesin kuantum boleh berprestasi jauh lebih baik daripada pembelajaran Mesin tradisional, tetapi pakar berpecah tentang berapa lama lagi aplikasi praktikal yang pertama akan muncul.

Hopkins mengakui bahawa bidang itu masih kekurangan templat biasa untuk memetakan masalah kepada algoritma dan menjana penyelesaian Ini juga merupakan masalah yang pernah dihadapi oleh pembelajaran mesin tradisional, tetapi apabila ia selesai, maka memanfaatkan teknologi ini menjadi sangat mudah. .

“Komputer kuantum membolehkan pengguna membuat keputusan yang lebih baik dan lebih tepat berdasarkan set data dimensi yang lebih tinggi Kami telah membuktikannya secara teori, kami telah membuktikannya dalam makmal, dan kami semakin dekat. dapat membuktikannya secara realiti,” katanya.

Tetapi adakah model pembelajaran mesin kuantum bersedia untuk ini?? Schuld fikir tidak. Beliau berkata, "Sehingga perkakasan asas bertambah baik, kami tidak tahu sama ada akan ada algoritma pembelajaran mesin kuantum yang boleh menyelesaikan sejumlah besar masalah praktikal. Melainkan kami mempunyai mesin bebas ralat, akan ada had untuk perkara yang sebenarnya boleh dilakukan menggunakan pembelajaran mesin kuantum Setakat praktikal Dari segi aplikasi, ini agak dikesali.”

Walaupun Hopkins tidak bersetuju, dia mengakui bahawa tidak mungkin kita akan melihat komputer kuantum yang mampu melatih. Model jenis ChatGPT. Beliau berkata: "Adalah mustahil untuk mencapai ini pada komputer kuantum dengan hanya 433 qubit, tetapi kami membuat kemajuan setiap tahun untuk mengembangkan bilangan eksperimen pembelajaran mesin kuantum yang mungkin. Orang ramai secara beransur-ansur akan melihat model pembelajaran mesin kuantum berubah Menjadi lebih serba boleh. ”

Atas ialah kandungan terperinci Bersedia untuk meletakkan pembelajaran mesin kuantum ke dalam aplikasi praktikal?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!