Εμφάνιση ενός Νέου - DO NOT DELETE

Η μηχανική μάθηση αποτελεί έναν από τους πιο ενεργούς τομείς στην επιστήμη υπολογιστών και στην έρευνα, αλλά και σε εφαρμογές από τα chat bots έως την πρόβλεψη της συμπεριφοράς των χρηματοπιστωτικών αγορών, την ιατρική, την βιολογία και αλλού. Από την άλλη μεριά, οι πρόσφατες εξελίξεις στον χώρο των κβαντικών αλγορίθμων, αλλά και στην κατασκευή πρότυπων κβαντικών επεξεργαστών, έχει προσελκύσει έντονο ενδιαφέρον από δημόσιους και ιδιωτικούς φορείς σε όλο τον κόσμο, λόγω των εν δυνάμει απίστευτα υψηλών ταχυτήτων επεξεργασίας συγκεκριμένων προβλημάτων από τους κβαντικούς υπολογιστές. Οι δύο περιοχές έχουν πλέον αρχίσει και έρχονται αρκετά κοντά με αρκετές εργασίες και έρευνες, γενικότερα στον χώρο της κβαντικής μηχανικής μάθησης.

Σε πρόσφατη δημοσίευση (14/12/2020) στο Physical Review Research, η διεθνής ομάδα του Δημήτρη Αγγελάκη, Αναπληρωτή Καθηγητή της Σχολής Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του Πολυτεχνείου Κρήτης και κύριου ερευνητή στο Κέντρο Κβαντικών Τεχνολογιών της Σιγκαπούρης (Center for Quantum Technologies), περιγράφουν μια νέα προσέγγιση στο πεδίο της κβαντικής μηχανικής μάθησης. Στην εργασία τους, οι ερευνητές αναλύουν, πώς αναλογικά κβαντικά συστήματα μπορούν να εκπαιδευτούν, και πως η εκπαιδευσιμότητά τους - ένα μέτρο του πόσο καλά μπορεί να εκπαιδευτεί το σύστημα για να μάθει διαφορετικά σετ δεδομένων - συνδέεται βαθιά με θεμελιώδεις φυσικές τους ιδιότητες, όπως η μνήμη στην δυναμική του συστήματος και η ένταση των αλληλεπιδράσεων μεταξύ των ατόμων του.

Μέχρι στιγμής, οι περισσότερες προτάσεις για την κβαντική μηχανική μάθηση αφορούν την ψηφιακή προσέγγιση, όπου τα δεδομένα προς ανάλυση υποβάλλονται σε επεξεργασία με κβαντικές ψηφιακές πύλες μέσω κβαντικών αλγορίθμων αναπτυγμένων για το σκοπό αυτό. Η νέα θεμελιακή ιδέα από την διεθνή ομάδα Αγγελάκη είναι να χρησιμοποιηθεί η κβαντική δυναμική ενός κβαντικού συστήματος ως εργαλείο για τη μηχανική μάθηση. Αυτή είναι μια αναλογική, και όχι ψηφιακή, προσέγγιση και ιδιαίτερα υποσχόμενη σε πρότυπους κβαντικούς υπολογιστές, οι οποίοι είναι αναλογικά κβαντικά συστήματα από την φύση τους. «Η αναλογική προσέγγιση επιτρέπει την καλύτερη υλοποίηση των σχετικών πρωτοκόλλων εκμάθησης και την ελαχιστοποιήση των πιθανών λαθών λόγω του κβαντικού θορύβου», μας αναφέρει ο Δημήτρης Αγγελάκης, ο οποίος ηγήθηκε της έρευνας.

Πιο συγκεκριμένα, οι ερευνητές έδειξαν ότι πρότυποι αναλογικοί κβαντικοί επεξεργαστές μπορούν να χρησιμοποιηθούν σε παραγωγικά μοντέλα μηχανικής μάθησης (generative modelling in machine learning). Ένα παράδειγμα εφαρμογής παραγωγικής μοντελοποίησης είναι η σύσταση προϊόντων, όπου το μοντέλο προτείνει προϊόντα σε νέους πελάτες με βάση τη συμπεριφορά προηγούμενων πελατών, δηλαδή παρόμοια με τον τρόπο που η πλατφόρμα Netflix προτείνει ταινίες βάσει προηγούμενων προτιμήσεων.

«Δοκιμάσαμε διαφορετικά παραδείγματα, συμπεριλαμβανομένων περιπτώσεων περίπλοκων δεδομένων και τα αποτελέσματα ήταν αρκετά καλά και ανθεκτικά στον κβαντικό θόρυβο. Το επόμενο βήμα είναι να τα δοκιμάσουμε και με πραγματικά δεδομένα από την αγορά. Είμαστε ήδη σε επικοινωνία με κάποιες διεθνείς εταιρείες δεδομένων για αυτό το σκοπό», μας αναφέρει κλείνοντας ο κ. Αγγελάκης.