p Há grandes esperanças de que o tremendo poder de processamento da computação quântica irá algum dia desencadear avanços exponenciais em inteligência artificial. Os sistemas de IA prosperam quando os algoritmos de aprendizado de máquina usados ​​para treiná-los recebem grandes quantidades de dados para ingerir, classificar e analisar. Quanto mais precisamente esses dados podem ser classificados de acordo com características específicas, ou recursos, melhor será o desempenho da IA. Espera-se que os computadores quânticos desempenhem um papel crucial no aprendizado de máquina, incluindo o aspecto crucial de acessar espaços de recursos mais complexos do ponto de vista computacional - os aspectos de granulação fina dos dados que podem levar a novos insights. p Em um novo artigo de pesquisa da Nature intitulado "Aprendizagem supervisionada com espaços de recursos aprimorados quânticos, "descrevemos o desenvolvimento e o teste de um algoritmo quântico com potencial para habilitar o aprendizado de máquina em computadores quânticos em um futuro próximo. Mostramos que, à medida que os computadores quânticos se tornam mais poderosos nos próximos anos, e seu volume quântico aumenta, eles serão capazes de realizar o mapeamento de recursos, um componente-chave do aprendizado de máquina, em estruturas de dados altamente complexas em uma escala muito além do alcance até mesmo dos computadores clássicos mais poderosos.

p Nossos métodos também foram capazes de classificar dados com o uso de circuitos de curta profundidade, que abre um caminho para lidar com a decoerência. Tão significativamente, nosso mapeamento de recursos funcionou como previsto:sem erros de classificação com nossos dados de engenharia, mesmo quando os processadores dos sistemas IBM Q experimentavam decoerência.

p Maior, Melhor Imagem

p O mapeamento de recursos é uma maneira de desmontar dados para obter acesso a aspectos mais detalhados desses dados. Os algoritmos de aprendizado de máquina clássico e quântico podem quebrar uma imagem, por exemplo, por pixels e coloque-os em uma grade com base no valor de cor de cada pixel. A partir daí, os algoritmos mapeiam pontos de dados individuais não linearmente para um espaço de alta dimensão, dividir os dados de acordo com seus recursos mais essenciais. No espaço de estado quântico muito maior, podemos separar aspectos e recursos desses dados melhor do que poderíamos em um mapa de recursos criado por um algoritmo de aprendizado de máquina clássico. Em última análise, mais precisamente os dados podem ser classificados de acordo com características específicas, ou recursos, melhor será o desempenho da IA.

p O objetivo é usar computadores quânticos para criar novos classificadores que gerem mapas de dados mais sofisticados. Ao fazer isso, pesquisadores serão capazes de desenvolver IA mais eficaz que pode, por exemplo, identificar padrões em dados que são invisíveis para computadores clássicos.

p Desenvolvemos um projeto com novos algoritmos de classificação de dados quânticos e mapas de recursos. Isso é importante para IA porque, quanto maior e mais diversificado for um conjunto de dados, mais difícil é separar esses dados em classes significativas para treinar um algoritmo de aprendizado de máquina. Resultados de classificação ruins do processo de aprendizado de máquina podem apresentar resultados indesejáveis; por exemplo, prejudicar a capacidade de um dispositivo médico de identificar células cancerosas com base em dados de mamografia.

p O problema do ruído

p Descobrimos que mesmo na presença de ruído, poderíamos classificar de forma consistente nossos dados de engenharia com perfeita precisão durante nossos testes. Os computadores quânticos de hoje lutam para manter seus qubits em um estado quântico por mais de algumas centenas de microssegundos, mesmo em um ambiente de laboratório altamente controlado. Isso é significativo porque os qubits precisam permanecer nesse estado pelo maior tempo possível para realizar os cálculos.

p Nossos algoritmos que demonstram como o emaranhamento pode melhorar a precisão da classificação de IA estarão disponíveis como parte do Qiskit Aqua da IBM, uma biblioteca de código aberto de algoritmos quânticos que os desenvolvedores, pesquisadores e especialistas da indústria podem usar para acessar computadores quânticos por meio de aplicativos clássicos ou linguagens de programação comuns, como Python.

p Ainda estamos longe de alcançar o Quantum Advantage para aprendizado de máquina - o ponto em que os computadores quânticos superam os computadores clássicos em sua capacidade de executar algoritmos de IA. Nossa pesquisa ainda não demonstra Quantum Advantage porque minimizamos o escopo do problema com base em nossos recursos de hardware atuais, usando apenas dois qubits de capacidade de computação quântica, que pode ser simulado em um computador clássico. No entanto, os métodos de mapeamento de recursos que estamos avançando poderão em breve classificar conjuntos de dados muito mais complexos do que qualquer coisa que um computador clássico pudesse manipular. O que mostramos é um caminho promissor.