क्या गहरी सीखने वाले तंत्रिका नेटवर्क क्वांटम कंप्यूटरों पर चलेंगे?

Question

डीप लर्निंग (कृत्रिम तंत्रिका नेटवर्क की कई परतें जो पर्यवेक्षित और अप्रमाणित मशीन लर्निंग कार्यों में उपयोग की जाती हैं) सबसे कठिन मशीन लर्निंग कार्यों में से कई के लिए एक अविश्वसनीय रूप से शक्तिशाली उपकरण है: छवि मान्यता, वीडियो मान्यता, भाषण मान्यता, आदि को देखते हुए कि यह वर्तमान में एक है। सबसे शक्तिशाली मशीन लर्निंग एल्गोरिदम, और क्वांटम कम्प्यूटिंग को आम तौर पर कुछ बहुत ही कठिन संगणना कार्यों के लिए गेम चेंजर माना जाता है, मैं सोच रहा था कि क्या दोनों के संयोजन पर कोई आंदोलन हुआ है।

• क्या एक क्वांटम कंप्यूटर पर एक गहन शिक्षण एल्गोरिथ्म चल सकता है?
• क्या यह कोशिश करने के लिए समझ में आता है?
• क्या अन्य क्वांटम एल्गोरिदम हैं जो गहरी सीखने को अप्रासंगिक बना देंगे?

Comments

मैं कोई विशेषज्ञ नहीं हूं, लेकिन मुझे लगता है कि एचएचएल एल्गोरिथ्म इस संदर्भ में उपयोगी होगा।

— DaftWullie

Answer 1

1. हां, सभी शास्त्रीय एल्गोरिदम क्वांटम कंप्यूटरों पर चलाए जा सकते हैं, इसके अलावा किसी भी शास्त्रीय एल्गोरिथ्म में खोज को एक मिल सकता है$\sqrt{\text{original time}}$

2. इस तथ्य के लिए कुछ प्रक्रियाओं में स्पष्ट कम्प्यूटेशनल लाभ हैं: हाँ।

3. मेरी जानकारी में नहीं। लेकिन अधिक विशेषज्ञता वाला व्यक्ति अगर चाहे तो यहां झंकार कर सकता है। एक बात जो मन में आती है: अक्सर हम रसायन विज्ञान और भौतिकी की समस्याओं का अध्ययन करने के लिए डीप लर्निंग और आर्टिफिशियल इंटेलिजेंस के अन्य रूपों का उपयोग कर सकते हैं क्योंकि सिमुलेशन महंगा या अव्यवहारिक है। इस डोमेन में, क्वांटम कंप्यूटर्स अपने शास्त्रीय पूर्वजों की वध की संभावना को प्रभावी ढंग से वास्तविक समय या तेजी से (परमाणु रसायन विज्ञान में उन जैसे) क्वांटम सिस्टम को मूल रूप से अनुकरण करने की क्षमता प्रदान करते हैं।

अंतिम बार मैंने उनके साथ बात की, मारियो सज़ीदी को इसमें दिलचस्पी थी, शायद अभी बहुत से अन्य शोधकर्ता भी इस पर काम कर रहे हैं।

Comments

मुझे यकीन नहीं है कि ग्रोवर का एल्गोरिथ्म यहां प्रासंगिक है। ग्रोवर का एल्गोरिथ्म एक अनूठा इनपुट पाता है जो वास्तव में दिए गए आउटपुट का उत्पादन करता है। OTOH, तंत्रिका नेटवर्क प्रकृति से बहुत अधिक अचूक हैं, और वे वास्तव में सटीक भी नहीं हैं - सर्वोत्तम रूप से सटीक।

— वामावर्तबाउट

इसे सभी राज्यों की सुपर स्थिति को देखते हुए डेटा बेस खोज समस्या के रूप में माना जा सकता है, जिसमें वज़न हो सकता है। खोज फ़ंक्शन 1 को वापस आने दें, यदि मानक इनपुट wrt वेट पर तंत्रिका जाल के व्युत्पन्न का मान है। कुछ वांछित सहिष्णुता से कम।

— फ्रेजेगपेस

जो पूरी तरह से बेकार होगा। किसी भी अनौपचारिक समस्या के लिए वजन के कई संयोजन होंगे, जिस पर ढाल शून्य है; यहां तक ​​कि अगर ग्रोवर के एल्गोरिथ्म ने आपको इनमें से एक दिया है तो यह आमतौर पर न्यूनतम नहीं होगा, वैश्विक न्यूनतम बहुत कम होगा।

— 22

मैं निम्नलिखित प्रोटोकॉल पर सहमत नहीं हूँ: वेनिला ग्रेडिएंट कुछ थ्रेशोल्ड तक उतरता है, फिर कुछ त्रुटि बाउंड के भीतर एक कठिन न्यूनतम लेने के लिए वेट के एक बहुत ही सीमित स्थान के बीच ग्रोवर की खोज को लागू करें, वह अंत हिस्सा वह है जहां ग्रेडिएंट डीसेंट बहुत रूपांतरित होता है धीरे-धीरे स्थानीय इष्टतम के लिए, और मैं उत्सुक हूँ कि अगर वहाँ ग्रोवर खोज का सहारा

— लेना

हम्म, वह काम कर सकता है; हालांकि उस अंतिम भाग में मुझे यकीन है कि आप शास्त्रीय साधनों के साथ ढाल वंश की तुलना में बहुत बेहतर कर सकते हैं। स्पष्ट उम्मीदवार होने के लिए Biconjugate- ढाल।

— लेफ्टरनबाउट

Answer 2

यह बहुत खुला प्रश्न है, लेकिन हां, इस मोर्चे पर काफी काम किया जा रहा है।

कुछ स्पष्टीकरण

यह, सबसे पहले, ध्यान दिया जाना चाहिए कि क्वांटम यांत्रिकी / क्वांटम कंप्यूटिंग के साथ मशीन लर्निंग (और विशेष रूप से गहरी सीखने) को मर्ज करने के दो प्रमुख तरीके हैं:

$\to$

क्वांटम यांत्रिकी / क्वांटम सूचना / क्वांटम गणना के संदर्भ में आने वाली समस्याओं से निपटने के लिए शास्त्रीय मशीन सीखने की तकनीक लागू करें । यह क्षेत्र मेरे लिए संदर्भों की एक सभ्य सूची का प्रयास करने के लिए बहुत तेजी से बढ़ रहा है, इसलिए मैं इस दिशा में सबसे हाल के कार्यों के एक जोड़े से लिंक करूंगा : 1803.04114 में लेखकों ने ओवरलैप की गणना करने के लिए सर्किट खोजने के लिए मशीन सीखने के दृष्टिकोण का उपयोग किया दो राज्यों के बीच (इसी दिशा में कई अन्य कार्य हैं), और 1803.05193 में लेखकों ने अध्ययन किया कि क्वांटम नियंत्रण सुधार योजनाओं को खोजने के लिए गहरे तंत्रिका नेटवर्क का उपयोग कैसे किया जा सकता है।

$\to$

बड़े डेटा का विश्लेषण करने के लिए क्वांटम एल्गोरिदम का अध्ययन , जो अक्सरशास्त्रीय मशीन सीखने के एल्गोरिदम के" क्वांटम सामान्यीकरण "को देखने के लिए होताहै। इस विषय के बारे में कुछ बुनियादी संदर्भ प्राप्त करने के लिए आप मेरे इस अन्य उत्तर पर एक नज़र डाल सकतेहैं। विशेष रूप से गहरी सीखने के मामले के लिए, 1412.3489 में (जिसे क्वांटम डीप लर्निंग नाम दिया गया है), लेखक आमतौर पर गहरी, प्रतिबंधित बोल्ट्ज़मन मशीनों के प्रशिक्षण को गति देने के लिए एक विधि (प्रभावी रूप से, एक क्वांटम एल्गोरिथ्म) का प्रस्ताव करते हैं । यहां एक अन्य प्रासंगिक संदर्भ 1712.05304 है , जिसमें लेखक क्वांटम बोल्ट्जमैन मशीनों को प्रशिक्षित करने के लिए कम गहराई वाले क्वांटम एल्गोरिदम का विकास करते हैं। 1708.09757 देखें, साथ ही साथ जुड़े उत्तर में संदर्भ, इस पर कई और कार्यों को खोजने के लिए। ध्यान दें कि इन कार्यों में जिस स्पीड-अप का दावा किया गया है, वह तेजी से अलग हो सकता है, घातीय गति-अप से बहुपद तक।

कभी-कभी गति अप-क्वांटम एल्गोरिदम के उपयोग से आती है विशेष रूप से रैखिक बीजीय समस्याओं को हल करने के लिए (उदाहरण के लिए तालिका 1 इन ( 1707.08561 ) देखें, कभी-कभी यह आता है कि मूल रूप से क्या उपयोग करने के लिए भिन्नताएं) ग्रोवर की खोज, और कभी-कभी अन्य से चीजें (लेकिन ज्यादातर ये दोनों)। यहां डंजेको और ब्रीजेल से उद्धरण :

एमएल के लिए क्वांटम-संवर्द्धन के विचारों को मोटे तौर पर दो समूहों में वर्गीकृत किया जा सकता है: ए) दृष्टिकोण जो ग्रोवर की खोज और आयाम प्रवर्धन पर निर्भर करता है ताकि अप-टू-द्विघात गति-अप प्राप्त किया जा सके, और, बी) वे दृष्टिकोण जो क्वांटम एम्पलीट्यूड में प्रासंगिक जानकारी को एन्कोड करते हैं। , और जो भी तेजी से सुधार के लिए एक क्षमता है। दृष्टिकोणों का दूसरा समूह क्वांटम एमएल में शायद सबसे विकसित अनुसंधान लाइन बनाता है, और एक बहुतायत क्वांटम उपकरण एकत्र करता है - सबसे विशेष रूप से क्वांटम रैखिक बीजगणित, क्वांटम एमएल प्रस्तावों में उपयोग किया जाता है।

तीन सवालों के अधिक सीधे जवाब

उपरोक्त कहा जाने के बाद, मुझे आपके द्वारा उठाए गए तीन बिंदुओं के बारे में और अधिक सीधे उत्तर देना चाहिए:

1. क्या एक क्वांटम कंप्यूटर पर एक गहन शिक्षण एल्गोरिथ्म चल सकता है? सबसे निश्चित रूप से हाँ: यदि आप एक शास्त्रीय कंप्यूटर पर कुछ चला सकते हैं तो आप इसे क्वांटम कंप्यूटर पर कर सकते हैं। हालाँकि, सवाल यह होना चाहिए कि क्वांटम (गहरी) मशीन लर्निंग एल्गोरिथम शास्त्रीय समकक्षों की तुलना में अधिक कुशल हो सकता है ? इस सवाल का जवाब पेचीदा है। संभवतः हां , इस दिशा में कई प्रस्ताव हैं, लेकिन यह कहना जल्द ही होगा कि क्या काम करेगा या नहीं करेगा।

2. क्या यह कोशिश करने के लिए समझ में आता है? हाँ!

3. क्या अन्य क्वांटम एल्गोरिदम हैं जो गहरी सीखने को अप्रासंगिक बना देंगे? यह दृढ़ता से निर्भर करता है कि आप " अप्रासंगिक " से क्या मतलब है । मेरा मतलब है कि इस समय जो कुछ भी जाना जाता है, उसके लिए बहुत अच्छी तरह से शास्त्रीय एल्गोरिदम हो सकते हैं जो गहरी शिक्षा को "अप्रासंगिक" बना देगा।

Comments

इस उत्तर के संदर्भ में, मैं इस हालिया पेपर का उल्लेख करना चाहूंगा जो दिखाता है कि क्वांटम अनुमानित अनुकूलन एल्गोरिथ्म का उपयोग सार्वभौमिक क्वांटम कंप्यूटरों पर अनुमानित गिब्स नमूने को नियोजित करके तंत्रिका नेटवर्क (प्रतिबंधित बोल्ट्ज़मैन मशीनों) को प्रशिक्षित करने के लिए किया जा सकता है।

— मार्क फ़िंगरहट

@MarkFingerhuth मैंने इसे उत्तर में जोड़ा, सूचक के लिए धन्यवाद (और साइट पर आपका स्वागत है!)

— glS

Answer 3

यहाँ Xanadu का एक नवीनतम विकास है, एक फोटोनिक क्वांटम सर्किट जो एक तंत्रिका नेटवर्क की नकल करता है। यह क्वांटम कंप्यूटर पर चलने वाले तंत्रिका नेटवर्क का एक उदाहरण है।

इस फोटोनिक सर्किट में इंटरफेरोमीटर और निचोड़ने वाले द्वार होते हैं जो एक एनएन के वजन कार्यों की नकल करते हैं, एक विस्थापन के रूप में कार्य करने वाले विस्थापन गेट और एक एनएन के रेएलयू फ़ंक्शन के समान एक गैर-रैखिक परिवर्तन।

उन्होंने क्वांटम राज्यों को उत्पन्न करने के लिए नेटवर्क को प्रशिक्षित करने और क्वांटम फाटकों को लागू करने के लिए भी इस सर्किट का उपयोग किया है।

यहां उनका प्रकाशन और कोड सर्किट को प्रशिक्षित करने के लिए उपयोग किया जाता है । यहाँ एक मध्यम लेख है जो उनके सर्किट की व्याख्या करता है।

Answer 4

यहाँ सभी उत्तर मूलभूत व्यावहारिक सीमा की उपेक्षा करते हुए प्रतीत होते हैं:

डीप लर्निंग विशेष रूप से बड़े डेटा के साथ सबसे अच्छा काम करता है। MNIST 60000 चित्र है, ImageNet 14 मिलियन चित्र है।

इस बीच, सबसे बड़े क्वांटम कंप्यूटरों में अभी 50 ~ 72 Qbit हैं।

यहां तक ​​कि सबसे आशावादी परिदृश्यों में, क्वांटम कंप्यूटर जो डेटा के संस्करणों को संभाल सकते हैं, जिन्हें डीप लर्निंग एल्गोरिदम की आवश्यकता होगी, इसके बजाय अधिक पारंपरिक मॉडलिंग विधियां जल्द ही कभी भी नहीं होने वाली हैं।

तो क्यूसी को डीप लर्निंग में लागू करना एक अच्छा सैद्धांतिक जिज्ञासा हो सकता है, लेकिन ऐसा कुछ नहीं जो जल्द ही व्यावहारिक हो।