고전 머신 러닝 (ML) 알고리즘은 이미지 및 음성 인식, 자연어 처리 (NLP) 및 예측 모델링. 그러나 고전적인 알고리즘은 고전적인 컴퓨팅의 제약에 의해 제한되며 크고 작은 데이터를 처리하는 데 어려움을 겪을 수 있습니다. 복잡한 데이터 세트 또는 높은 수준의 정확도와 정밀도를 달성합니다.

양자 기계 학습(QML)을 입력합니다.

QML은 양자 컴퓨팅 ML의 예측 기능으로 기존 알고리즘의 한계를 극복하고 성능 향상을 제공합니다. 그들의 논문에서 "양자 계산 속도 향상에서 얽힘의 역할," 영국 브리스톨 대학교의 Richard Jozsa와 Neil Linden은 "QML 알고리즘은 데이터 분류, 기능 선택 및 클러스터 분석과 같은 특정 작업에 대해 기존 알고리즘보다 기하급수적인 속도 향상을 제공할 것을 약속합니다. . 특히 감독 및 비지도 학습을 위한 양자 알고리즘의 사용은 기계 학습 및 인공 지능. "

QML 대 기존 기계 학습

Zohra 라다, Credence의 데이터 과학 및 AI 선임 이사는 QML이 몇 가지 주요 방식에서 기존 머신 러닝과 다르다고 말합니다.

이달의 이벤트

주문형 지능형 보안 서밋

사이버 보안 및 산업별 사례 연구에서 AI 및 ML의 중요한 역할에 대해 알아보세요. 오늘 온디맨드 세션을 시청하세요.

여기를 봐

 

 

  1. 양자 병렬성: 양자 알고리즘은 양자 병렬성으로 알려진 양자 시스템의 고유한 속성을 활용하여 여러 계산을 동시에 수행할 수 있습니다. 이미지나 음성과 같은 대량의 데이터를 처리할 때 문제 해결에 필요한 시간을 크게 줄일 수 있습니다.
  2. 양자 중첩: 양자 중첩을 통해 양자 알고리즘은 여러 상태를 동시에 나타낼 수 있습니다. 이를 통해 문제에 대한 가능한 솔루션을 탐색하여 보다 정확하고 효율적인 솔루션을 얻을 수 있습니다.
  3. 양자 얽힘: 양자 알고리즘은 양자 얽힘의 속성을 사용할 수도 있으며, 이를 통해 고전 물리학이 설명할 수 없는 방식으로 양자 시스템을 상호 연관시킬 수 있습니다. 이를 통해 양자 알고리즘은 기존 알고리즘보다 특정 작업을 더 효율적으로 수행할 수 있습니다.

 

고전적인 컴퓨팅 기술에 의존하고 이러한 양자 기능이 부족한 기존 기계 학습 알고리즘은 경우에 따라 더 느리거나 덜 정확할 수 있습니다.

QML 여정: 연구에서 실제 세계로

양자 기계 학습에 대한 연구는 1980년대에 시작되었습니다. 1990년대 후반과 2000년대 초반에 연구원들은 양자를 개발했습니다. 신경망 데이터의 패턴을 인식하도록 훈련할 수 있는 기계 학습을 위한 양자 시스템의 잠재력을 입증합니다. 이후 이러한 네트워크는 광범위한 실제 문제에 적용되었습니다.

XNUMX년 후 연구원들은 기계 학습 작업을 위한 양자 알고리즘과 소프트웨어 도구를 개발했습니다. 여기에는 지원 벡터 머신, 의사 결정 트리 및 신경망과 같은 널리 사용되는 머신 러닝 알고리즘의 양자 버전이 포함되었습니다.

양자 컴퓨터의 발전도 QML 성장의 핵심 요인이었다. 2010년대와 2020년대에 여러 회사와 연구 그룹에서 기계 학습 작업을 수행할 수 있는 양자 컴퓨터를 개발했습니다. 여기에는 게이트 기반 양자 컴퓨터와 양자 어닐러. 2020년대까지 QML은 패턴 인식, 자연어 처리 및 최적화를 포함한 애플리케이션에 널리 채택되기 시작했습니다.

오늘날 QML의 가장 유망한 응용 프로그램 중 하나는 약물 발견입니다. 기존의 약물 발견 프로세스는 느리고 비용이 많이 들며 일관성이 없을 수 있습니다. QML은 프로세스를 가속화할 수 있는 잠재력이 있습니다. “처음에 발견에 성공한 후 코로나-19 치료 분자, 우리는 이제 더 작은 분자를 생성하기 위해 공간을 확장하고 싶었습니다.”라고 Tech Mahindra의 Makers Lab의 글로벌 책임자인 Nikhil Malhotra가 말했습니다. “Quantum GAN 또는 하이브리드 GAN 생성은 우리가 작은 분자를 위해 시도하고 있는 것입니다. 이것은 약물 발견과 새로운 약물 개발을 크게 발전시킬 것이라고 믿습니다.”

금융 시장은 QML이 가능성을 보여준 또 다른 영역입니다. ㅏ 2021 용지 JPMorgan의 Future Lab for Applied Research and Engineering은 QML이 자산 가격 책정, 변동성 예측, 이국적인 옵션의 결과 예측, 사기 적발, 주식 선택, 헤지 펀드 선택, 알고리즘 거래, 시장 조성, 재무 예측, 회계 및 감사, 위험 평가는 기존 알고리즘보다 훨씬 빠르고 정확합니다.

양자 기계 학습의 2023년 약속

"QML은 광범위한 산업 및 응용 프로그램에 상당한 영향을 미칠 수 있는 잠재력을 가진 흥미롭고 빠르게 발전하는 분야입니다."라고 Ladha는 말했습니다. 2023년에는 양자 알고리즘이 특정 기계 학습 작업을 더 빠르고 정확하게 수행할 수 있는 잠재력이 있으며, 특히 대량의 데이터를 처리해야 하는 이미지 및 음성 인식과 같은 작업에 대해 그녀는 예측합니다. 그녀는 또한 QML이 기계 학습 작업에서 자주 발생하고 기존 알고리즘을 사용하여 해결하기 어려운 최적화 문제를 해결할 수 있다고 지적합니다. Ladha는 이러한 문제를 보다 효율적으로 해결하는 양자 알고리즘의 능력이 금융 및 물류에 도움이 될 수 있다고 예측합니다.

사이버 보안 QML이 영향을 미칠 것으로 예측하는 또 다른 영역입니다. "사이버 공격을 탐지하고 방지하기 위해 보다 정교한 알고리즘을 개발함으로써 양자 머신 러닝은 시스템의 보안을 향상시킬 수 있습니다."라고 그녀는 말했습니다.

Malhotra는 기술 자체를 조금 더 깊이 파고들면서 ML 알고리즘의 대다수, 특히 인공 신경망에 있는 알고리즘이 양자 기계 학습 알고리즘으로 양자 기계에서 시도될 것으로 기대한다고 말했습니다. “우리는 QNLP, Q-GAN과 같은 초기 버전을 보았고 심지어 양자 회로에 대한 학습을 ​​강화했습니다. 2023년에는 추세가 성장할 것으로 예상한다”고 말했다.

양자 기계 학습 과제는 남아 있습니다.

QML은 약속 때문에 큰 문제입니다. 증거에 따르면 기계 학습 모델은 현재의 기존 기술로 할 수 있는 것보다 더 적은 데이터로 더 높은 정확도로 훈련될 수 있습니다. 그러나 에 따르면 스캇 벅홀츠, 정부 및 공공 서비스의 글로벌 양자 책임자이자 CTO인 Deloitte Consulting LLP는 "얼마나 적습니까?"라는 질문에 대한 답변입니다. 그리고 "얼마나 더 빠릅니까?" 다음 문제 QML로 인해 정기적으로 변경됩니다.

 

  • “하드웨어 측면에서 오늘날 존재하는 가장 강력한 양자 컴퓨터는 특히 오늘날의 가장 강력한 서버와 비교할 때 여전히 제한적입니다. 우리는 양자 컴퓨팅 기술이 발전하고 성장할 여지가 훨씬 더 많기 때문에 앞으로 몇 년 동안 변화가 있을 것으로 예상합니다.
  • “소프트웨어와 알고리즘 측면에서 양자 컴퓨터는 오늘날의 컴퓨터와 근본적으로 다르게 작동합니다. 결과적으로 연구자들은 문제를 양자 컴퓨터에 매핑하는 가장 좋은 방법을 찾으려고 노력하고 있습니다(실제로 양자 컴퓨터에서 해결하는 데 유용한 문제를 결정). 보다 일반화된 매핑을 제시함에 따라 다른 사람들이 양자 컴퓨터에 '문제를 제기'하는 것이 더 쉬워집니다.

“수년 동안 QML은 활발한 연구 분야였으며 앞으로도 계속될 것입니다. 하드웨어 및 소프트웨어 성숙도가 향상됨에 따라 조직이 프로덕션 워크로드에서 QML 사용을 평가하기 시작하는 것을 볼 수 있습니다.”라고 Buchholz는 계속했습니다. “프로덕션 QML 워크로드를 실행할 수 있는 시스템을 갖추려면 아직 몇 년이 남았기 때문에 하드웨어가 계속 개선됨에 따라 QML의 최신 기술을 계속 발전시키고 있습니다. 그러나 2023년 내내 QML이 점진적으로 발전할 것으로 예상합니다. 즉, 볼륨을 확장하고 데이터를 로드하고 모델을 실행하는 기술을 지속적으로 개선할 것입니다.”

번역»