Classical aprendizaje automático (ML) Los algoritmos han demostrado ser herramientas poderosas para una amplia gama de tareas, incluido el reconocimiento de imágenes y voz, procesamiento natural del lenguaje (PNL) y modelado predictivo. Sin embargo, los algoritmos clásicos están limitados por las restricciones de la computación clásica y pueden tener dificultades para procesar grandes y conjuntos de datos complejos o lograr altos niveles de exactitud y precisión.

Introduzca el aprendizaje automático cuántico (QML).

QML combina el poder de computación cuántica con las capacidades predictivas de ML para superar las limitaciones de los algoritmos clásicos y ofrecer mejoras de rendimiento. En su papel “Sobre el papel del entrelazamiento en la aceleración computacional cuántica”, Richard Jozsa y Neil Linden, de la Universidad de Bristol en el Reino Unido, escriben que “los algoritmos QML prometen proporcionar aceleraciones exponenciales sobre sus contrapartes clásicas para ciertas tareas, como la clasificación de datos, la selección de características y el análisis de conglomerados. . En particular, el uso de algoritmos cuánticos para el aprendizaje supervisado y no supervisado tiene el potencial de revolucionar el aprendizaje automático y inteligencia artificial."

QML frente al aprendizaje automático clásico

Zohra Delicioso, director sénior de ciencia de datos e inteligencia artificial en Credence, dice que QML se diferencia del aprendizaje automático tradicional en varias formas clave:

EVENT

Cumbre de seguridad inteligente bajo demanda

Conozca el papel fundamental de la IA y el ML en la ciberseguridad y los estudios de casos específicos de la industria. Mira las sesiones a pedido hoy.

Mírelo aquí

 

 

  1. Paralelismo cuántico: los algoritmos cuánticos pueden aprovechar la propiedad única de los sistemas cuánticos conocida como paralelismo cuántico, que les permite realizar múltiples cálculos simultáneamente. Cuando se procesan grandes cantidades de datos, como imágenes o voz, se puede reducir significativamente el tiempo necesario para resolver un problema.
  2. Superposición cuántica: la superposición cuántica permite que un algoritmo cuántico represente múltiples estados simultáneamente. Esto puede permitirle explorar posibles soluciones a un problema, lo que lleva a soluciones más precisas y eficientes.
  3. Entrelazamiento cuántico: los algoritmos cuánticos también pueden usar la propiedad del entrelazamiento cuántico, que permite que los sistemas cuánticos se correlacionen de formas que la física clásica no puede explicar. Esto puede permitir que los algoritmos cuánticos realicen ciertas tareas de manera más eficiente que los algoritmos clásicos.

 

Los algoritmos tradicionales de aprendizaje automático, que se basan en técnicas informáticas clásicas y carecen de estas capacidades cuánticas, pueden ser más lentos o menos precisos en ciertos casos.

El viaje de QML: de la investigación al mundo real

La investigación sobre el aprendizaje automático cuántico comenzó en la década de 1980. A fines de la década de 1990 y principios de la de 2000, los investigadores desarrollaron redes neuronales para demostrar el potencial de los sistemas cuánticos para el aprendizaje automático que se pueden entrenar para reconocer patrones en los datos. Desde entonces, estas redes se han aplicado a una amplia gama de problemas del mundo real.

Una década más tarde, los investigadores desarrollaron algoritmos cuánticos y herramientas de software para tareas de aprendizaje automático. Estos incluían versiones cuánticas de algoritmos populares de aprendizaje automático, como máquinas de vectores de soporte, árboles de decisión y redes neuronales.

El desarrollo de las computadoras cuánticas también ha sido un factor clave en el crecimiento de QML. En las décadas de 2010 y 2020, varias empresas y grupos de investigación desarrollaron computadoras cuánticas que podían realizar tareas de aprendizaje automático. Estos incluían tanto computadoras cuánticas basadas en puertas como cuántico recocidos. Para la década de 2020, QML comenzó a adoptarse ampliamente en aplicaciones que incluyen reconocimiento de patrones, procesamiento de lenguaje natural y optimización.

Hoy en día, una de las aplicaciones más prometedoras de QML es el descubrimiento de fármacos. Los procesos tradicionales de descubrimiento de fármacos pueden ser lentos, costosos e inconsistentes. QML tiene el potencial de acelerar el proceso. “Después de nuestro éxito inicial al encontrar un COVID19 molécula terapéutica, queríamos ampliar el espacio para generar ahora moléculas más pequeñas”, dijo Nikhil Malhotra, director global de Makers Lab en Tech Mahindra. “La generación Quantum GAN o GAN híbrida es algo que estamos probando para moléculas pequeñas. Esto, creo, avanzaría significativamente en el descubrimiento de fármacos e incluso en la creación de nuevos fármacos”.

Los mercados financieros son otra área en la que QML se ha mostrado prometedor. A papel 2021 del Future Lab for Applied Research and Engineering de JPMorgan concluyó que QML puede realizar tareas tales como fijación de precios de activos, predicción de volatilidad, predicción del resultado de opciones exóticas, detección de fraude, selección de acciones, selección de fondos de cobertura, comercio algorítmico, creación de mercado, pronóstico financiero, contabilidad y auditoría, y evaluación de riesgos mucho más rápido y con mayor precisión que los algoritmos clásicos.

La promesa de 2023 del aprendizaje automático cuántico

“QML es un campo emocionante y de rápido desarrollo que tiene el potencial de impactar significativamente en una amplia gama de industrias y aplicaciones”, dijo Ladha. Para 2023, predice que los algoritmos cuánticos tienen el potencial de realizar ciertas tareas de aprendizaje automático de manera más rápida y precisa, especialmente para tareas como el reconocimiento de imágenes y voz, que requieren procesar grandes cantidades de datos. También señala que QML puede abordar problemas de optimización que a menudo surgen en tareas de aprendizaje automático y que son difíciles de resolver con algoritmos clásicos. Ladha predice que la capacidad de los algoritmos cuánticos para resolver estos problemas de manera más eficiente podría beneficiar a las finanzas y la logística.

La Ciberseguridad es otra área en la que predice que QML tendrá un impacto. “Al desarrollar algoritmos más sofisticados para detectar y prevenir ataques cibernéticos, el aprendizaje automático cuántico podría mejorar la seguridad de los sistemas”, dijo.

Profundizando un poco más en la tecnología en sí, Malhotra dijo que espera ver que la gran mayoría de los algoritmos de ML, particularmente aquellos en redes neuronales artificiales, se prueben en la máquina cuántica como algoritmos de aprendizaje automático cuántico. “Hemos visto versiones tempranas como QNLP, Q-GAN e incluso aprendizaje reforzado en circuitos cuánticos. Anticipo la tendencia a crecer en 2023”, dijo.

Los desafíos del aprendizaje automático cuántico continúan

QML es un gran problema debido a su promesa. La evidencia sugiere que los modelos de aprendizaje automático se pueden entrenar para una mayor precisión con menos datos que con nuestras técnicas clásicas actuales. Sin embargo, según Scott Haya, líder cuántico global y CTO, del gobierno y los servicios públicos, en Deloitte Consulting LLP, la respuesta a las preguntas, "¿Cuánto menos?" y "¿Cuánto más rápido?" cambia regularmente debido a los siguientes desafíos QML:

 

  • “En términos de hardware, las computadoras cuánticas más poderosas que existen en la actualidad todavía son limitadas, particularmente cuando se comparan con los servidores más poderosos de la actualidad. Anticipamos que eso cambiará en los próximos años porque hay mucho más espacio para que la tecnología de computación cuántica avance y crezca.
  • “En términos de software y algoritmos, las computadoras cuánticas funcionan de manera fundamentalmente diferente a las computadoras actuales. Como resultado, los investigadores están tratando de descubrir las mejores formas de mapear problemas en computadoras cuánticas (y, de hecho, determinar qué problemas podrían ser útiles para resolver en computadoras cuánticas). A medida que creamos mapeos mejor generalizados, se vuelve más fácil para otros "llevar sus problemas" a las computadoras cuánticas.

“Durante años, QML ha sido, y continúa siendo, un área de investigación activa. A medida que mejora la madurez del hardware y el software, es probable que veamos que las organizaciones comienzan a evaluar el uso de QML en las cargas de trabajo de producción”, continuó Buchholz. “Dado que todavía nos faltan algunos años para tener una máquina que pueda ejecutar cargas de trabajo QML de producción, continuamos avanzando en el estado del arte en QML a medida que el hardware continúa mejorando. Pero anticipo un progreso incremental de QML a lo largo de 2023, es decir, seguir mejorando las técnicas para escalar el volumen, cargar datos y ejecutar modelos”.

Traducir »