Как квантовое машинное обучение изменит ИТ и почему алгоритмы ИИ нужно ускорять

Сегодня к квантовым вычислениям проявляют интерес не только ученые, но и бизнес. Крупные корпорации по всему миру начинают инвестировать в эту область, и Россия не исключение — «Газпромбанк» вложил $1,5 млн в соответствующие исследования. Одна из самых острых предметных сфер — квантовые шифрование и связь, применяемые в том числе в телефонии, делая ее более защищенной. В Китае квантовая криптография уже обеспечивает защищенность 200 офисов государственных компаний. А в России в июне 2019 года был продемонстрирован сеанс защищенной видеоконференцсвязи между стендами двух банков и международной консалтинговой компании.

Но говорить о том, что квантовое машинное обучение распространяется повсеместно, довольно преждевременно. Рынок занял выжидательную позицию. Компании присматриваются к технологии и держат ресурсы наготове. Как только квантовое обучение в конкретных проектах докажет свою экономическую эффективность, практика внедрения станет лавинообразной.

В чем преимущество?

Главное преимущество квантовых вычислений — скорость обработки запросов. Ускорение в квантовых компьютерах обеспечивается не выделением мощностей на каждый процесс, как в обычных вычислительных машинах, а взаимодействием кубитов, за счет чего обеспечивается возможность одновременной работы нескольких процессов («распараллеливание»).

Необходимость применения квантового машинного обучения обусловлена тем, что развитие обычных процессоров достигло своего критического максимума. Закон Мура перестал работать. Один современный транзистор может состоять из нескольких атомов. Дальнейшее деление возможно, но вряд ли транзисторы такого размера будут работать стабильно. Кроме того, свои ограничения накладывает скорость света — быстрее нее электроны перемещаться уже не смогут. Компьютерный мир ждет новых технологий, и квантовые вычисления могут обеспечить тот самый необходимый скачок.

Кубит — квантовый разряд или наименьший элемент для хранения информации в квантовом компьютере. Как и бит, кубит допускает два собственных состояния, обозначаемых |0⟩ и |1⟩ (обозначения Дирака), но при этом может находиться и в их суперпозиции

Закон Мура — эмпирическое наблюдение, изначально сделанное Гордоном Муром, согласно которому количество транзисторов, размещаемых на кристалле интегральной схемы, удваивается каждые 24 месяца. Часто цитируемый интервал в 18 месяцев связан с прогнозом Давида Хауса из Intel, по мнению которого, производительность процессоров должна удваиваться каждые 18 месяцев из-за сочетания роста количества транзисторов и увеличения тактовых частот процессоров.

При переходе машинного обучения на квантовые компьютеры часть процессов ускоряется в единицы раз, другая часть — в миллионы, и простота алгоритма здесь ни при чем. Может оказаться, что как раз сложнейшие из них ускорятся намного интенсивнее за счет возможности одновременного выполнения процессов. Например, решение задачи коммивояжера (поиск наиболее выгодного маршрута) в сложных случаях на обычных компьютерах может занять огромное количество лет, а на квантовом — доли секунды. Квантовые алгоритмы отлично подходят для операций линейной алгебры, активно применяемых в машинном обучении: вычисления обратной матрицы, нахождения собственных чисел и собственных векторов матрицы. Еще одна ускоряемая операция — быстрое преобразование Фурье, используемая в анализе спектра сигнала. Многие операции таким образом можно ускорить экспоненциально: чем сложнее такие операции, тем выгоднее использовать квантовые компьютеры.

Технологии квантового машинного обучения эффективно применяют в нейронных сетях, производительность при этом возрастает экспоненциально, то есть чем больше нейросеть, тем большую выгоду по скорости обучения такой сети дает квантовый алгоритм по сравнению с обычным — это может быть ускорение в сотни, тысячи, а то и миллионы раз. Для задач кластеризации подходит одна из разновидностей алгоритма Гровера, дающего квадратичное ускорение.

Быстрое преобразование Фурье — алгоритм компьютерного вычисления дискретного преобразования Фурье, который широко используется для обработки сигналов и анализа данных. Иногда под быстрым преобразованием понимается один из алгоритмов, называемый алгоритмом прореживания по частоте — времени.

Кластеризация (или кластерный анализ) — это задача разбиения множества объектов на группы, называемые кластерами. Внутри каждой группы должны оказаться похожие объекты, а объекты разных группы должны быть как можно более отличны. Главное отличие кластеризации от классификации состоит в том, что перечень групп четко не задан и определяется в процессе работы алгоритма.

Алгоритм Гловера, также поиск с запретами, или табу-поиск — мета-алгоритм поиска, использующий методы локального поиска для математической оптимизации. Алгоритм создал Фред У. Гловер в 1986 году.

Локальный поиск (по соседям) берет потенциальное решение задачи и проверяет его непосредственных соседей (то есть решения, которые похожи, за исключением нескольких очень малых деталей) в надежде нахождения улучшенного решения. Методы локального поиска имеют тенденцию застрять в подоптимальных областях или плато, где многие решения равно подходят. Поиск с запретами улучшает производительность локального поиска путем ослабления его основного правила.

Области применения

Для компаний, обрабатывающих большие данные в сжатые сроки, временные параметры — это критический фактор. В пример можно привести маркетинговые агентства, которые зависят от ежедневного процесса построения моделей на основе больших данных. Время, затрачиваемое на обработку информации, может занимать от нескольких часов до суток — в результате игроки сталкиваются с его банальной нехваткой.

Несмотря на то, что в настоящее время многие компании не раскрывают информацию о своих экспериментах на квантовых компьютерах, известно, что этим занимаются военные США, ряд крупных мировых банков, ИТ-гиганты вроде Google (в конце октября много шума наделала новость о том, что их квантовые компьютеры достигли квантового превосходства — подробно об этом можно почитать в статье в журнале Nature). Коммерческим внедрением занимаются также в IBM, предоставляя свои мощности в режиме онлайн для бизнеса и личного использования. Это предложение может быть интересно тем, кто не может позволить себе дорогостоящую технику (стоимость квантовых компьютеров приближается к миллионам долларов). Кроме того, отдельный физический квантовый компьютер IBM Q System One, к примеру, отличается от облачных мощностей меньшим количеством кубитов, однако этот вариант имеет смысл в случае, когда требуется секретность разработок.

Бесплатным облачным доступом может воспользоваться любое физическое лицо — например, инженер, тестирующий свои продукты, либо ученый, который занимается исследованиями на очень большом объеме данных.

Стоп-факторы

Квантовое машинное обучение нуждается в специалистах — ученых и исследователях, которые бы занимались развитием этого направления, а также поиском практического применения. Это второе глобальное ограничение (после стоимости квантовых компьютеров), препятствующее бурному развитию и распространению технологии, несмотря на ее очевидную перспективность.

Многие компании и их технические специалисты далеки от каких-либо экспериментов на этот счет не только в силу экономических причин, но и банального незнания. Даже если бизнес сможет позволить себе соответствующие мощности, нанятые разработчики будут неспособны перейти на работу с квантовыми алгоритмами. Она потребует от специалистов определенного набора специфических знаний, в частности — квантовой механики. И это еще одна серьезная причина того, почему относительно небольшое количество разработчиков интересуется данным направлением. Возможно, знакомство с предметом «квантовая механика» в вузе проходило тяжело, и возвращаться к этому опыту нет никакого желания.

Но спрос на обучение есть — об этом говорит неплохой выбор курсов по квантовым вычислениям и квантовому машинному обучению: например, обучающая программа от Microsoft, курсы на udemy.com, edx.org. Есть информация и на русском языке — отечественный курс от Санкт-Петербургского государственного университета на coursera.org.

Перспективы

Отчасти проблемы, с которыми сегодня сталкивается область квантовых вычислений, можно назвать типичными. Стоимость технологии, нехватка специалистов — через это уже успели пройти, например, машинное обучение и искусственный интеллект на первом этапе своего развития. В настоящее время развитием этих направлений занимается множество талантливых специалистов, постоянно появляется информация о новых прорывах и проектах. Хороший пример — революция в области обработки речи и видеоизображений: сегодня на основе искусственного интеллекта можно смоделировать любой звуко- и видеоряд. Технология изменит индустрии телевидения и кинопроизводства (а кто-то из актеров, возможно, лишится высоких гонораров).

Квантовые алгоритмы в нейросетях будут способны переводить текст в аудио в режиме реального времени — дикторам не нужно выходить на прямую спутниковую связь с места событий, достаточно текста, который программа озвучит голосом ведущего с высокой степенью соответствия. Аудитория не услышит разницы между смоделированной и спонтанной речью. То же касается всевозможного рода звукового контента — от аудиокниг до языкового дубляжа в фильмах.

Несмотря на успехи, в развитии обычного машинного обучения и классических ИИ-алгоритмов уже просматривается предел. Квантовые вычисления — это неизбежная ступень, которая может вывести их на более высокий уровень. Так, в ускорении сегодня остро нуждается отрасль робототехники. Существующие роботы — например, робот София — достаточно медленно обрабатывают информацию и формулируют ответы, но с помощью квантового машинного обучения станет возможным создать такой электронный мозг, который будет работать намного быстрее человеческого. Квантовый робот будет готов ответить на вопрос еще до того, как услышит конец фразы, и это сделает его по-настоящему полноценным собеседником.

Квантовое машинное обучение — действительно прорывное направление, способное качественно повлиять на жизнь широкого круга людей. Правда, чтобы это произошло, необходимы совместные интеллектуальные усилия малого круга — исследователей и разработчиков, которые не боятся учиться заново и осваивать новые сложные области.