งานที่หนึ่งสำหรับคอมพิวเตอร์ควอนตัม: เพิ่มปัญญาประดิษฐ์
ในช่วงต้นทศวรรษ 90 Elizabeth Behrmanศาสตราจารย์ฟิสิกส์ที่ Wichita State University เริ่มทำงานเพื่อรวมฟิสิกส์ควอนตัมกับปัญญาประดิษฐ์ โดยเฉพาะอย่างยิ่ง เทคโนโลยีเครือข่ายประสาทเทียมในขณะนั้นที่ไม่ฝักใฝ่ฝ่ายใด คนส่วนใหญ่คิดว่าเธอกำลังผสมน้ำมันกับน้ำ “ฉันเคยชินกับการตีพิมพ์แล้ว” เธอเล่า “วารสารเครือข่ายประสาทจะบอกว่า ‘กลศาสตร์ควอนตัมนี้คืออะไร’ และวารสารฟิสิกส์จะพูดว่า ‘ขยะเครือข่ายประสาทนี้คืออะไร’”
วันนี้ mashup ของทั้งสองดูเป็นธรรมชาติที่สุดในโลก โครงข่ายประสาทเทียมและระบบการเรียนรู้ด้วยเครื่องอื่น ๆ ได้กลายเป็นเทคโนโลยีที่ก่อกวนที่สุดแห่งศตวรรษที่ 21 พวกเขาเป็นมนุษย์นอกระบบ ไม่เพียงแต่ทุบตีเราในงานที่พวกเราส่วนใหญ่ไม่เคยเก่งจริงๆ เช่น หมากรุกและการทำเหมืองข้อมูล แต่ยังรวมไปถึงสิ่งต่าง ๆ ที่สมองของเราพัฒนาขึ้นด้วย เช่น การจดจำใบหน้า การแปลภาษา และ การเจรจาหยุดสี่ทาง ระบบเหล่านี้เกิดขึ้นได้ด้วยพลังประมวลผลมหาศาล ดังนั้นจึงหลีกเลี่ยงไม่ได้ที่บริษัทเทคโนโลยีจะมองหาคอมพิวเตอร์ที่ไม่ใช่แค่ใหญ่ขึ้นเท่านั้น แต่ยังรวมถึงเครื่องจักรประเภทใหม่ด้วย
หลังจากการวิจัยหลายทศวรรษ คอมพิวเตอร์ควอนตัมมีอุบายเพียงพอที่จะทำการคำนวณนอกเหนือจากคอมพิวเตอร์เครื่องอื่นในโลก โดยทั่วไปแล้วแอปนักฆ่าของพวกเขาจะแยกตัวประกอบจำนวนมากซึ่งเป็นกุญแจสำคัญในการเข้ารหัสที่ทันสมัย อย่างน้อยก็อีกสิบปี แต่แม้กระทั่งตัวประมวลผลควอนตัมพื้นฐานในปัจจุบันก็ยังจับคู่กับความต้องการของการเรียนรู้ของเครื่องได้อย่างน่าประหลาด พวกเขาจัดการอาร์เรย์ข้อมูลจำนวนมากในขั้นตอนเดียว เลือกรูปแบบที่ละเอียดอ่อนซึ่งคอมพิวเตอร์แบบคลาสสิกมองไม่เห็น และไม่สำลักข้อมูลที่ไม่สมบูรณ์หรือไม่แน่นอน Johannes Otterbachนักฟิสิกส์จาก Rigetti Computing บริษัทควอนตัมคอมพิวเตอร์ในเบิร์กลีย์ รัฐแคลิฟอร์เนียกล่าวว่า “มีการผสมผสานกันอย่างเป็นธรรมชาติระหว่างลักษณะทางสถิติที่แท้จริงของการคำนวณควอนตัม … และการเรียนรู้ของเครื่อง
หากมีสิ่งใด ลูกตุ้มได้เหวี่ยงไปสุดขั้วอื่นแล้ว Google, Microsoft, IBM และยักษ์ใหญ่ด้านเทคโนโลยีอื่นๆ กำลังทุ่มเงินให้กับการเรียนรู้ของเครื่องควอนตัม และศูนย์บ่มเพาะสตาร์ทอัพที่มหาวิทยาลัยโตรอนโตก็ทุ่มเทให้กับมัน Jacob Biamonteนักฟิสิกส์ควอนตัมจากสถาบันวิทยาศาสตร์และเทคโนโลยี Skolkovo ในมอสโกกล่าวว่า “‘การเรียนรู้ของเครื่อง’ กำลังกลายเป็นคำศัพท์ “เมื่อคุณผสมสิ่งนั้นกับ ‘ควอนตัม’ มันจะกลายเป็นคำยอดฮิต”
ทว่าไม่มีคำว่า “ควอนตัม” อยู่ในนั้นที่ดูเหมือน แม้ว่าคุณอาจคิดว่าระบบควอนตัมแมชชีนเลิร์นนิงน่าจะมีประสิทธิภาพ แต่ก็ประสบปัญหาจากโรคที่ถูกล็อกไว้ มันทำงานบนสถานะควอนตัม ไม่ใช่ข้อมูลที่มนุษย์อ่านได้ และการแปลระหว่างทั้งสองสามารถลบล้างข้อดีที่เห็นได้ชัดของมัน เหมือนกับ iPhone X ที่สเปกที่น่าประทับใจทั้งหมดจะช้าพอๆ กับโทรศัพท์เครื่องเก่าของคุณ เพราะเครือข่ายของคุณแย่มากเช่นเคย สำหรับกรณีพิเศษบางกรณี นักฟิสิกส์สามารถเอาชนะปัญหาคอขวดของอินพุต-เอาท์พุตได้ แต่กรณีดังกล่าวยังไม่ทราบถึงกรณีที่เกิดขึ้นจริงในงานการเรียนรู้ด้วยเครื่องจริงหรือไม่ “เรายังไม่มีคำตอบที่ชัดเจน” Scott Aaronson .กล่าวนักวิทยาศาสตร์คอมพิวเตอร์แห่งมหาวิทยาลัยเทกซัส ออสติน ผู้เป็นกระบอกเสียงแห่งความสุขุมเสมอเมื่อพูดถึงควอนตัมคอมพิวติ้ง “ผู้คนมักเป็นนักรบที่กล้าหาญมากเกี่ยวกับว่าอัลกอริธึมเหล่านี้สามารถเร่งความเร็วได้หรือไม่”
ควอนตัมเซลล์ประสาท
งานหลักของโครงข่ายประสาทเทียม ไม่ว่าจะเป็นแบบคลาสสิกหรือควอนตัม คือการจดจำรูปแบบ โดยได้รับแรงบันดาลใจจากสมองของมนุษย์ มันคือตารางของหน่วยคำนวณพื้นฐาน — “เซลล์ประสาท” แต่ละรายการสามารถทำได้ง่ายเหมือนอุปกรณ์เปิดปิด เซลล์ประสาทจะตรวจสอบเอาต์พุตของเซลล์ประสาทอื่นๆ หลายเซลล์ ราวกับว่ากำลังลงคะแนน และจะเปิดขึ้นหากเซลล์ประสาทเปิดเพียงพอ โดยปกติเซลล์ประสาทจะจัดเรียงเป็นชั้นๆ เลเยอร์เริ่มต้นรับอินพุต (เช่น พิกเซลของรูปภาพ) เลเยอร์กลางจะสร้างอินพุตที่หลากหลาย (แสดงถึงโครงสร้าง เช่น ขอบและรูปทรงเรขาคณิต) และเลเยอร์สุดท้ายจะสร้างเอาต์พุต
ที่สำคัญคือ การเดินสายไม่ได้รับการแก้ไขล่วงหน้า แต่ปรับให้เข้ากับกระบวนการทดลองและข้อผิดพลาด เครือข่ายอาจป้อนรูปภาพที่มีป้ายกำกับว่า “ลูกแมว” หรือ “ลูกสุนัข” สำหรับแต่ละภาพ จะกำหนดป้ายกำกับ ตรวจสอบว่าถูกต้องหรือไม่ และปรับแต่งการเชื่อมต่อของเซลล์ประสาทหากไม่ถูกต้อง การคาดเดาจะเป็นแบบสุ่มในตอนแรก แต่จะดีขึ้น หลังจากตัวอย่างประมาณ 10,000 ตัวอย่าง มันก็รู้จักสัตว์เลี้ยงของมัน โครงข่ายประสาทเทียมที่ร้ายแรงสามารถมีการเชื่อมต่อถึงกันเป็นพันล้าน ซึ่งจำเป็นต้องปรับจูนทั้งหมด
บนคอมพิวเตอร์แบบคลาสสิก การเชื่อมต่อทั้งหมดเหล่านี้แสดงด้วยเมทริกซ์ตัวเลขขนาดมหึมา และการเรียกใช้เครือข่ายหมายถึงการทำพีชคณิตเมทริกซ์ ตามธรรมเนียมแล้ว การดำเนินการเมทริกซ์เหล่านี้จะถูกเอาต์ซอร์ซไปยังชิปเฉพาะทาง เช่น หน่วยประมวลผลกราฟิก แต่เมทริกซ์ไม่เหมือนกับคอมพิวเตอร์ควอนตัม Seth Lloydนักฟิสิกส์จากสถาบันเทคโนโลยีแมสซาชูเซตส์และผู้บุกเบิกคอมพิวเตอร์ควอนตัมกล่าวว่า “การจัดการเมทริกซ์ขนาดใหญ่และเวกเตอร์ขนาดใหญ่จะเร็วขึ้นแบบทวีคูณบนคอมพิวเตอร์ควอนตัม
สำหรับงานนี้ คอมพิวเตอร์ควอนตัมสามารถใช้ประโยชน์จากลักษณะเลขชี้กำลังของระบบควอนตัมได้ ความจุการจัดเก็บข้อมูลจำนวนมากของระบบควอนตัมไม่ได้อยู่ในหน่วยข้อมูลแต่ละหน่วย — qubits ซึ่งเป็นคู่ควอนตัมของบิตคอมพิวเตอร์แบบคลาสสิก — แต่ในคุณสมบัติโดยรวมของ qubits เหล่านั้น คิวบิต 2 ตัวมีสถานะร่วมสี่สถานะ: ทั้งเปิด, ปิด, เปิด/ปิด และปิด/เปิด แต่ละคนมีน้ำหนักบางอย่างหรือ “แอมพลิจูด” ที่สามารถเป็นตัวแทนของเซลล์ประสาทได้ หากคุณเพิ่ม qubit ที่สาม คุณสามารถแทนเซลล์ประสาทได้แปดเซลล์ สี่ 16. ความจุของเครื่องเพิ่มขึ้นแบบทวีคูณ ผลที่ได้คือ เซลล์ประสาทจะถูกละเลงไปทั่วทั้งระบบ เมื่อคุณดำเนินการในสถานะสี่ qubits คุณกำลังประมวลผลตัวเลข 16 ตัวในจังหวะเดียว ในขณะที่คอมพิวเตอร์แบบคลาสสิกจะต้องผ่านตัวเลขเหล่านั้นทีละตัว
Lloyd ประมาณการว่า 60 qubits จะเพียงพอที่จะเข้ารหัสจำนวนข้อมูลเทียบเท่ากับที่มนุษย์สร้างขึ้นในหนึ่งปี และ 300 สามารถบรรทุกเนื้อหาข้อมูลคลาสสิกของจักรวาลที่สังเกตได้ (คอมพิวเตอร์ควอนตัมที่ใหญ่ที่สุดในขณะนี้ ซึ่งสร้างโดย IBM, Intel และ Google มี 50-ish qubits) และนั่นก็ถือว่าแต่ละแอมพลิจูดเป็นเพียงบิตคลาสสิกเดียว อันที่จริง แอมพลิจูดเป็นปริมาณต่อเนื่อง (และแท้จริงแล้วเป็นจำนวนเชิงซ้อน) และเพื่อความแม่นยำในการทดลองที่น่าเชื่อถือ อาจเก็บได้มากถึง 15 บิต Aaronson กล่าว
แต่ความสามารถของคอมพิวเตอร์ควอนตัมในการจัดเก็บข้อมูลอย่างกะทัดรัดไม่ได้ทำให้เร็วขึ้น คุณต้องสามารถใช้ qubits เหล่านั้นได้ ในปี 2008 Lloyd นักฟิสิกส์Aram Harrowแห่ง MIT และAvinatan Hassidimนักวิทยาศาสตร์คอมพิวเตอร์ที่มหาวิทยาลัย Bar-Ilan ในอิสราเอล ได้แสดงให้เห็นวิธีการดำเนินการเกี่ยวกับพีชคณิตที่สำคัญของการกลับเมทริกซ์ พวกเขาแยกย่อยออกเป็นลำดับของการดำเนินการเชิงตรรกะที่สามารถดำเนินการบนคอมพิวเตอร์ควอนตัม อัลกอริธึมของพวกเขาใช้ได้กับเทคนิคการเรียนรู้ด้วยเครื่องที่หลากหลาย และไม่ต้องการขั้นตอนอัลกอริธึมเกือบเท่ากับการแฟคตอริ่งจำนวนมาก คอมพิวเตอร์สามารถเจาะผ่านงานการจัดหมวดหมู่ก่อนเกิดเสียงรบกวน ซึ่งเป็นปัจจัยจำกัดขนาดใหญ่ของเทคโนโลยีในปัจจุบันนี้ มีโอกาสสร้างความเสียหายได้ “คุณอาจมีความได้เปรียบด้านควอนตัมก่อนที่คุณจะมีคอมพิวเตอร์ควอนตัมที่ทนทานต่อข้อผิดพลาดได้อย่างสมบูรณ์” Kristan Temme จาก Thomas J. Watson Research Center ของ IBM กล่าว
ให้ธรรมชาติแก้ปัญหา
แม้ว่าจนถึงตอนนี้ แมชชีนเลิร์นนิงโดยอิงจากพีชคณิตเมทริกซ์ควอนตัมได้แสดงให้เห็นบนเครื่องที่มีเพียงสี่ควิบิตเท่านั้น ความสำเร็จในการทดลองส่วนใหญ่ของแมชชีนเลิร์นนิงควอนตัมจนถึงปัจจุบันมีแนวทางที่แตกต่างออกไป ซึ่งระบบควอนตัมไม่ได้เป็นเพียงการจำลองเครือข่ายเท่านั้น มันคือเครือข่าย แต่ละ qubit ย่อมาจากเซลล์ประสาทหนึ่งเซลล์ แม้ว่าจะไม่มีกำลังของการยกกำลัง แต่อุปกรณ์เช่นนี้สามารถใช้ประโยชน์จากคุณสมบัติอื่นๆ ของฟิสิกส์ควอนตัมได้
อุปกรณ์ดังกล่าวที่ใหญ่ที่สุด ซึ่งมีประมาณ 2,000 qubits คือโปรเซสเซอร์ควอนตัมที่ผลิตโดย D-Wave Systems ซึ่งตั้งอยู่ใกล้เมืองแวนคูเวอร์ รัฐบริติชโคลัมเบีย ไม่ใช่สิ่งที่คนส่วนใหญ่คิดว่าเป็นคอมพิวเตอร์ แทนที่จะเริ่มต้นด้วยข้อมูลอินพุต ดำเนินการชุดของการดำเนินการ และแสดงผลลัพธ์ มันทำงานโดยค้นหาความสอดคล้องภายใน qubits แต่ละตัวเป็นวงจรไฟฟ้าที่มีตัวนำยิ่งยวดซึ่งทำหน้าที่เป็นแม่เหล็กไฟฟ้าขนาดเล็กที่เน้นขึ้น ลง หรือขึ้นและลง — การซ้อนทับกัน Qubits นั้น “ต่อสาย” เข้าด้วยกันโดยอนุญาตให้พวกมันโต้ตอบด้วยแม่เหล็ก
ในการรันระบบ ก่อนอื่นคุณต้องกำหนดสนามแม่เหล็กแนวนอน ซึ่งเริ่มต้น qubits ให้มีการทับซ้อนที่เท่ากันของการขึ้นและลง – เทียบเท่ากับกระดานชนวนที่ว่างเปล่า มีสองวิธีในการป้อนข้อมูล ในบางกรณี คุณแก้ไขเลเยอร์ของ qubits เป็นค่าอินพุตที่ต้องการ บ่อยขึ้น คุณรวมข้อมูลเข้าไว้ในจุดแข็งของการโต้ตอบ จากนั้นคุณปล่อยให้คิวบิตโต้ตอบ บางคนพยายามจัดแนวไปในทิศทางเดียวกัน บางคนไปในทิศทางตรงกันข้าม และภายใต้อิทธิพลของสนามแนวนอน พวกเขาพลิกไปยังการวางแนวที่ต้องการ การทำเช่นนี้อาจทำให้คิวบิตอื่นๆ พลิก ตอนแรกเกิดขึ้นบ่อยมาก เนื่องจากมีหลายอย่างที่ไม่ตรงแนว เมื่อเวลาผ่านไป พวกมันจะปักหลัก และคุณสามารถปิดฟิลด์แนวนอนเพื่อล็อคพวกมันเข้าที่ ณ จุดนั้น
ไม่ชัดเจนว่าการจัดเรียง qubit ขั้นสุดท้ายจะเป็นอย่างไร และนั่นคือประเด็น ระบบเพียงแค่ทำในสิ่งที่เป็นธรรมชาติ กำลังแก้ปัญหาที่คอมพิวเตอร์ทั่วไปต้องเผชิญ “เราไม่ต้องการอัลกอริธึม” ฮิเดโทชิ นิชิโมริ นักฟิสิกส์จากสถาบันเทคโนโลยีแห่งโตเกียว ผู้พัฒนาหลักการทำงานของเครื่อง D-Wave อธิบาย “มันแตกต่างอย่างสิ้นเชิงจากการเขียนโปรแกรมทั่วไป ธรรมชาติแก้ปัญหาได้”
การพลิกกลับของ qubit นั้นขับเคลื่อนโดยการขุดอุโมงค์ควอนตัม ซึ่งเป็นแนวโน้มตามธรรมชาติที่ระบบควอนตัมต้องค้นหาการกำหนดค่าที่เหมาะสมที่สุด แทนที่จะเลือกสิ่งที่ดีที่สุดเป็นอันดับสอง คุณสามารถสร้างเครือข่ายแบบคลาสสิกที่ทำงานบนหลักการที่คล้ายคลึงกัน โดยใช้การกระตุกแบบสุ่มแทนที่จะใช้ช่องสัญญาณเพื่อให้บิตพลิก และในบางกรณี เครือข่ายอาจทำงานได้ดีกว่าจริง ๆ แต่ที่น่าสนใจสำหรับประเภทของปัญหาที่เกิดขึ้นในการเรียนรู้ของเครื่อง ดูเหมือนว่าเครือข่ายควอนตัมจะเข้าถึงจุดที่เหมาะสมได้เร็วกว่า
เครื่อง D-Wave มีผู้ว่า มีเสียงดังมากและในชาติปัจจุบันสามารถดำเนินการได้เฉพาะเมนูการทำงานที่ จำกัด แม้ว่าอัลกอริธึมการเรียนรู้ด้วยเครื่องจะทนต่อเสียงโดยธรรมชาติ พวกมันมีประโยชน์อย่างแม่นยำเพราะพวกมันสามารถเข้าใจถึงความเป็นจริงที่ยุ่งเหยิง แยกแยะลูกแมวจากลูกสุนัขกับฉากหลังของปลาเฮอริ่งแดง Behrman กล่าวว่า “โครงข่ายประสาทเทียมมีความทนทานต่อสัญญาณรบกวน
ในปี 2552 ทีมงานนำโดยHartmut Nevenนักวิทยาศาสตร์คอมพิวเตอร์ของ Google ผู้บุกเบิกเทคโนโลยีความจริงเสริม เขาร่วมก่อตั้งโครงการ Google Glass และจากนั้นก็นำการประมวลผลข้อมูลควอนตัม แสดงให้เห็นว่าเครื่อง D-Wave รุ่นแรกๆ สามารถทำงานเกี่ยวกับการเรียนรู้ด้วยเครื่องได้อย่างมีเกียรติได้อย่างไร โดยพื้นฐานแล้วพวกเขาใช้เป็นโครงข่ายประสาทเทียมชั้นเดียวที่จัดเรียงภาพออกเป็นสองประเภท: “รถ” หรือ “ไม่มีรถ” ในห้องสมุดที่มีฉากถนน 20,000 แห่ง เครื่องมี qubits ที่ใช้งานได้เพียง 52 คิวบิต ซึ่งน้อยมากเกินกว่าจะถ่ายภาพทั้งหมดได้ (ข้อควรจำ: เครื่อง D-Wave เป็นประเภทที่แตกต่างจากระบบ 50-qubit อันล้ำสมัยที่จะเปิดตัวในปี 2018) ดังนั้นทีมของ Neven จึงรวมเครื่องกับคอมพิวเตอร์คลาสสิกซึ่งวิเคราะห์ปริมาณทางสถิติต่างๆ ของรูปภาพและคำนวณว่าปริมาณเหล่านี้อ่อนไหวต่อการปรากฏตัวของรถมากเพียงใด โดยปกติแล้วจะไม่มากนัก แต่อย่างน้อยก็ดีกว่าการพลิกเหรียญ การรวมกันของปริมาณเหล่านี้บางส่วนสามารถระบุรถได้อย่างน่าเชื่อถือ แต่ก็ไม่ชัดเจนซึ่ง เป็นหน้าที่ของเครือข่ายที่ต้องค้นหา
ทีมกำหนด qubit ให้กับแต่ละปริมาณ หาก qubit นั้นตกลงเป็นค่า 1 จะทำเครื่องหมายปริมาณที่เกี่ยวข้องว่ามีประโยชน์ 0 หมายถึงไม่ต้องรบกวน ปฏิกิริยาทางแม่เหล็กของ qubits เข้ารหัสความต้องการของปัญหา เช่น การรวมเฉพาะปริมาณที่เลือกปฏิบัติมากที่สุด เพื่อให้การเลือกขั้นสุดท้ายมีขนาดกะทัดรัดที่สุด ส่งผลให้สามารถตรวจพบรถได้
ปีที่แล้ว กลุ่มที่นำโดยMaria Spiropuluนักฟิสิกส์อนุภาคที่ California Institute of Technology และDaniel Lidarนักฟิสิกส์ที่ USC ได้ใช้อัลกอริทึมนี้กับปัญหาทางฟิสิกส์เชิงปฏิบัติ โดยจำแนกการชนโปรตอนเป็น “Higgs boson” หรือ “no Higgs boson” ” พวกเขาใช้ทฤษฎีอนุภาคพื้นฐานในการทำนายว่าคุณสมบัติของโฟตอนใดที่อาจหักหลังการมีอยู่ชั่วครู่ของฮิกส์ เช่น โมเมนตัมที่เกินเกณฑ์บางอย่าง พวกเขาพิจารณาคุณสมบัติดังกล่าวแปดประการและการผสมผสานกัน 28 รายการสำหรับสัญญาณผู้สมัครทั้งหมด 36 รายการและปล่อยให้ D-Wave รุ่นสุดท้ายที่มหาวิทยาลัยเซาเทิร์นแคลิฟอร์เนียค้นหาตัวเลือกที่เหมาะสมที่สุด มันระบุตัวแปร 16 ตัวมีประโยชน์และสามตัวแปรดีที่สุด เครื่องควอนตัมต้องการข้อมูลน้อยกว่าขั้นตอนมาตรฐานเพื่อระบุตัวตนที่ถูกต้อง “หากว่าชุดฝึกอบรมมีขนาดเล็ก วิธีควอนตัมก็ให้ข้อได้เปรียบด้านความแม่นยำมากกว่าวิธีการแบบเดิมที่ใช้ในชุมชนฟิสิกส์พลังงานสูง” ลิดาร์กล่าว