Как квантовое машинное обучение изменит ИТ и почему алгоритмы ИИ нужно ускорять
Термины «машинное обучение» и «искусственный интеллект» сегодня можно встретить в каждой второй публикации, посвященной современной экономике и популярным проектам. А вот квантовые вычисления и квантовые компьютеры — до сих пор сфера интереса достаточно узкой аудитории, несмотря на то, что именно они в скором времени способны качественно изменить не только ИТ и tech-индустрии, но и жизнь общества в целом. Декан факультета искусственного интеллекта GeekUniversity Сергей Ширкин рассказал о том, зачем бизнес сегодня инвестирует в квантовые вычисления и почему ИИ-алгоритмы нуждаются в ускорении. 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.
