Crédito:CC0 Public Domain
Hay grandes esperanzas de que la tremenda potencia de procesamiento de la computación cuántica algún día desate avances exponenciales en inteligencia artificial. Los sistemas de inteligencia artificial prosperan cuando los algoritmos de aprendizaje automático utilizados para entrenarlos reciben cantidades masivas de datos para ingerir, clasificar y analizar. Cuanto más precisamente se puedan clasificar los datos según características específicas, o características, mejor funcionará la IA. Se espera que las computadoras cuánticas desempeñen un papel crucial en el aprendizaje automático, incluido el aspecto crucial de acceder a espacios de características más complejos desde el punto de vista informático:los aspectos detallados de los datos que podrían conducir a nuevos conocimientos.
En un nuevo artículo de investigación de Nature titulado "Aprendizaje supervisado con espacios de características mejoradas cuánticamente, "Describimos el desarrollo y la prueba de un algoritmo cuántico con el potencial de permitir el aprendizaje automático en computadoras cuánticas en un futuro cercano. Hemos demostrado que a medida que las computadoras cuánticas se vuelven más poderosas en los próximos años, y su volumen cuántico aumenta, podrán realizar el mapeo de características, un componente clave del aprendizaje automático, en estructuras de datos altamente complejas a una escala mucho más allá del alcance incluso de las computadoras clásicas más poderosas.
Nuestros métodos también pudieron clasificar datos con el uso de circuitos de corta profundidad, que abre un camino para lidiar con la decoherencia. De manera igualmente significativa, nuestro mapeo de características funcionó como se predijo:sin errores de clasificación con nuestros datos de ingeniería, incluso cuando los procesadores de los sistemas IBM Q experimentaron decoherencia.
Más grande, Mejor imagen
El mapeo de características es una forma de desensamblar datos para obtener acceso a aspectos más detallados de esos datos. Tanto los algoritmos de aprendizaje automático clásicos como los cuánticos pueden descomponer una imagen, por ejemplo, por píxeles y colóquelos en una cuadrícula basada en el valor de color de cada píxel. A partir de ahí, los algoritmos mapean puntos de datos individuales de forma no lineal a un espacio de alta dimensión, desglosando los datos de acuerdo con sus características más esenciales. En el espacio de estados cuánticos mucho más grande, podemos separar aspectos y características de esos datos mejor que en un mapa de características creado por un algoritmo clásico de aprendizaje automático. Por último, cuanto más precisamente se puedan clasificar los datos según características específicas, o características, mejor funcionará la IA.
El objetivo es utilizar computadoras cuánticas para crear nuevos clasificadores que generen mapas de datos más sofisticados. Al hacer eso, Los investigadores podrán desarrollar una IA más eficaz que pueda, por ejemplo, identificar patrones en los datos que son invisibles para las computadoras clásicas.
Hemos desarrollado un plan con nuevos algoritmos de clasificación de datos cuánticos y mapas de características. Eso es importante para la IA porque, cuanto más grande y diverso sea un conjunto de datos, más difícil es separar esos datos en clases significativas para entrenar un algoritmo de aprendizaje automático. Los malos resultados de clasificación del proceso de aprendizaje automático podrían introducir resultados no deseados; por ejemplo, perjudicar la capacidad de un dispositivo médico para identificar células cancerosas en función de los datos de la mamografía.
El problema del ruido
Descubrimos que incluso en presencia de ruido, pudimos clasificar consistentemente nuestros datos de ingeniería con perfecta precisión durante nuestras pruebas. Las computadoras cuánticas de hoy luchan por mantener sus qubits en un estado cuántico durante más de unos pocos cientos de microsegundos, incluso en un entorno de laboratorio altamente controlado. Eso es significativo porque los qubits deben permanecer en ese estado el mayor tiempo posible para realizar cálculos.
Nuestros algoritmos que demuestran cómo el entrelazamiento puede mejorar la precisión de la clasificación de la IA estarán disponibles como parte de Qiskit Aqua de IBM. una biblioteca de código abierto de algoritmos cuánticos que los desarrolladores, Los investigadores y los expertos de la industria pueden utilizar para acceder a las computadoras cuánticas a través de aplicaciones clásicas o lenguajes de programación comunes como Python.
Todavía estamos lejos de lograr Quantum Advantage para el aprendizaje automático, el punto en el que las computadoras cuánticas superan a las computadoras clásicas en su capacidad para realizar algoritmos de inteligencia artificial. Nuestra investigación aún no demuestra Quantum Advantage porque minimizamos el alcance del problema en función de nuestras capacidades de hardware actuales, utilizando solo dos qubits de capacidad de computación cuántica, que se puede simular en una computadora clásica. Sin embargo, los métodos de mapeo de características que estamos avanzando pronto podrían clasificar conjuntos de datos mucho más complejos que cualquier cosa que pueda manejar una computadora clásica. Lo que hemos mostrado es un camino prometedor a seguir.