Принципы квантового машинного обучения
Делиться
Когда рыщут чёрные кошки и блестят тыквы, пусть удача будет на вашей стороне в Хэллоуин. (Неизвестно)
В последние годы число конференций, семинаров, статей и книг по квантовым вычислениям значительно увеличилось, открывая новые способы обработки информации и переосмысливая ограничения классических систем . Взаимодействие классических и квантовых исследований также привело к появлению гибридных алгоритмов, сочетающих известные методы с квантовыми ресурсами. В данной статье рассматриваются основы квантовых вычислений и предпринимается попытка подробно рассмотреть их дальнейшее применение в науке о данных.
С Нобелевской премией по физике 2025 года [1], присуждаемой за достижения в области квантового туннелирования, становится ясно, что в ближайшие годы квантовые технологии станут ещё более востребованными. Эта ключевая идея, развиваемая с 1980-х годов, заключается в том, что квантовое туннелирование позволяет создавать устройства, которые превращают суперпозицию, запутанность и интерференцию (определения см. на рисунке 1) в инструменты, которые мы можем разработать. Это означает, что мы можем запускать реальные алгоритмы на реальных чипах, а не только в симуляциях, и исследовать новые способы более эффективного обучения на основе многомерных данных.
Прежде чем углубляться в основы, стоит задаться вопросом, зачем нам нужны квантовые технологии в наших рабочих процессах . Вопрос заключается в следующем:
какие ограничения существуют в современных методах, которые заставляют нас переосмысливать наш подход и рассматривать альтернативы, выходящие за рамки инструментов, которые мы уже используем?
Ограничения закона Мура:
Закон Мура, предложенный в 1965 году, предсказывал, что количество транзисторов на кристалле, а следовательно, и вычислительная мощность, будут примерно удваиваться каждые два года. Это ожидание стало движущей силой десятилетий прогресса благодаря постоянной миниатюризации транзисторов: каждые два года кристаллы вмещали примерно вдвое больше транзисторов, что делало вычисления дешевле и быстрее [2].
Однако, по мере того как инженеры увеличивают размеры транзисторов до атомных масштабов, они сталкиваются с пугающими физическими ограничениями: размещение большего количества устройств меньшего размера на той же площади быстро увеличивает как тепловыделение, так и плотность мощности, что значительно затрудняет управление охлаждением и стабильностью . В сверхмалых масштабах электроны утекают или выходят за пределы своих заданных траекторий, вызывая потерю мощности и непредсказуемое поведение микросхемы, что может привести к ошибкам или снижению производительности. Более того, проводные соединения, память и системы ввода/вывода масштабируются не так эффективно, как транзисторы, что приводит к серьёзным узким местам для общей производительности системы [2].
Все эти препятствия ясно показывают, что экспоненциальный рост, предсказываемый законом Мура, не может продолжаться бесконечно ; полагаться только на сокращение ресурсов больше нецелесообразно. Вместо этого прогресс теперь зависит от более совершенных алгоритмов, специализированного оборудования и, где это применимо, оптимальных алгоритмов, которые (при необходимости) используют квантовые подходы для решения отдельных, высокоэффективных подзадач.
По мере роста объёмов данных и повышения вычислительных требований глубокое обучение и другие современные методы искусственного интеллекта достигают практических пределов эффективности использования времени, энергии и памяти. Квантовые вычисления предлагают другой подход , обрабатывающий информацию посредством суперпозиции, запутанности и интерференции, что позволяет более эффективно масштабировать определённые вычисления. Цель квантового машинного обучения (QML) — использовать кубиты вместо битов для представления и преобразования данных, что потенциально позволяет решать высокоразмерные или неопределённые задачи эффективнее, чем классические системы. Хотя современное аппаратное обеспечение всё ещё развивается, концептуальные основы QML уже указывают на будущее, в котором квантовые и классические ресурсы будут работать вместе для преодоления узких мест в вычислительных процессах.
Парадигма безопасности
Традиционные методы шифрования основаны на сложных математических задачах, которые классическим компьютерам сложно решить . Однако квантовые компьютеры грозят быстро взломать многие из этих систем, используя квантовые алгоритмы, такие как алгоритм Шора (один из примеров квантового вычислительного преимущества) [3]. Многие инновации в области безопасности, основанные на квантовых технологиях, всё чаще переходят из теории в практическое применение в отраслях, требующих высочайших стандартов защиты данных.
Конкретным примером такого риска является принцип «собирай сейчас, расшифруй позже» : злоумышленники захватывают и хранят зашифрованные данные уже сегодня, даже если пока не могут их расшифровать. Как только станут доступны мощные квантовые компьютеры, они смогут использовать квантовые алгоритмы для ретроспективного расшифровывания этой информации, раскрывая конфиденциальные данные, такие как медицинские карты, финансовые транзакции или секретные сообщения [4].
Чтобы решить эту задачу, браузер Google Chrome включает в себя
Квантовая стойкость. Начиная с версии 116, в Chrome реализован гибридный алгоритм согласования ключей (X25519Kyber768) , сочетающий традиционную эллиптичесую криптографию с Kyber , одним из алгоритмов, стандартизированных NIST для квантово-устойчивого шифрования. Этот подход защищает данные как от классических, так и от будущих квантовых атак.
Математическая сложность
Использование квантовых принципов может помочь исследовать обширные пространства решений более эффективно, чем традиционные методы. Это делает квантовые подходы особенно перспективными для задач оптимизации, машинного обучения и моделирования с высокой вычислительной сложностью (например, «большое О» , или масштабирование трудозатрат с размером задачи). Например, факторизация больших целых чисел является вычислительно сложной, главным образом, из-за математической сложности, а не из-за ограничений памяти или метода грубой силы . Это означает, что для очень больших чисел, таких как те, что используются в криптографических системах, факторизация больших чисел на классических компьютерах практически невозможна .
Источник: towardsdatascience.com
