วิธีการเรียนรู้ของเครื่องอัจฉริยะสามารถจดจำรูปแบบหรือวัตถุและเลือกออกจากชุดข้อมูลโดยอัตโนมัติ ตัวอย่างเช่น พวกเขาสามารถเลือกรูปภาพเหล่านั้นจากฐานข้อมูลภาพถ่ายที่แสดงเห็ดปลอดสารพิษ โดยเฉพาะอย่างยิ่งกับชุดข้อมูลที่มีขนาดใหญ่และซับซ้อนมาก แมชชีนเลิร์นนิงสามารถให้ผลลัพธ์อันมีค่าที่มนุษย์ไม่สามารถค้นพบได้ หรือมีเวลามากขึ้นเท่านั้น อย่างไรก็ตาม สำหรับงานคำนวณบางอย่าง แม้แต่คอมพิวเตอร์ที่เร็วที่สุดในปัจจุบันก็ถึงขีดจำกัดแล้ว นี่คือที่มาของคำสัญญาที่ยิ่งใหญ่ของคอมพิวเตอร์ควอนตัม: วันหนึ่งพวกเขาจะทำการคำนวณที่รวดเร็วเป็นพิเศษซึ่งคอมพิวเตอร์คลาสสิกไม่สามารถแก้ไขได้ในช่วงเวลาที่มีประโยชน์

เหตุผลสำหรับ "อำนาจสูงสุดของควอนตัม" นี้อยู่ในฟิสิกส์: คอมพิวเตอร์ควอนตัมคำนวณและประมวลผลข้อมูลโดยใช้ประโยชน์จากสถานะและปฏิสัมพันธ์บางอย่างที่เกิดขึ้นภายในอะตอมหรือโมเลกุลหรือระหว่างอนุภาคมูลฐาน

ความจริงที่ว่าสถานะควอนตัมสามารถซ้อนทับและพัวพันสร้างพื้นฐานที่ช่วยให้คอมพิวเตอร์ควอนตัมสามารถเข้าถึงชุดตรรกะการประมวลผลที่สมบูรณ์ยิ่งขึ้น ตัวอย่างเช่น ไม่เหมือนคอมพิวเตอร์ทั่วไป คอมพิวเตอร์ควอนตัมไม่คำนวณด้วยรหัสไบนารีหรือบิต ซึ่งประมวลผลข้อมูลเป็น 0 หรือ 1 เท่านั้น แต่ใช้ควอนตัมบิตหรือคิวบิต ซึ่งสอดคล้องกับสถานะควอนตัมของอนุภาค ความแตกต่างที่สำคัญคือ qubits สามารถรับรู้ไม่เพียงสถานะเดียว -- 0 หรือ 1 -- ต่อขั้นตอนการคำนวณ แต่ยังรวมถึงสถานะที่ทั้งสองแทนที่ด้วย มารยาทในการประมวลผลข้อมูลโดยทั่วไปเหล่านี้ช่วยให้การคำนวณเร็วขึ้นอย่างมากในปัญหาบางอย่าง

แปลภูมิปัญญาคลาสสิกเป็นอาณาจักรควอนตัม

ข้อได้เปรียบด้านความเร็วของคอมพิวเตอร์ควอนตัมเหล่านี้ยังเป็นโอกาสสำหรับแอปพลิเคชันการเรียนรู้ของเครื่องด้วย คอมพิวเตอร์ควอนตัมสามารถคำนวณข้อมูลจำนวนมหาศาลที่วิธีการเรียนรู้ด้วยเครื่องคอมพิวเตอร์ต้องปรับปรุงความถูกต้องของผลลัพธ์ได้เร็วกว่าคอมพิวเตอร์แบบเดิมมาก

อย่างไรก็ตาม เพื่อใช้ประโยชน์จากศักยภาพของคอมพิวเตอร์ควอนตัมอย่างแท้จริง เราต้องปรับวิธีการเรียนรู้ของเครื่องแบบคลาสสิกให้เข้ากับลักษณะเฉพาะของคอมพิวเตอร์ควอนตัม ตัวอย่างเช่น อัลกอริธึม เช่น กฎการคำนวณทางคณิตศาสตร์ที่อธิบายวิธีที่คอมพิวเตอร์คลาสสิกแก้ปัญหาบางอย่าง ต้องมีการกำหนดสูตรที่แตกต่างกันสำหรับคอมพิวเตอร์ควอนตัม การพัฒนา "อัลกอริธึมควอนตัม" ที่ทำงานได้ดีสำหรับแมชชีนเลิร์นนิงไม่ใช่เรื่องเล็กน้อย เพราะยังมีอุปสรรคสองสามข้อที่ต้องเอาชนะตลอดทาง

ประการหนึ่งเกิดจากฮาร์ดแวร์ควอนตัม ที่ ETH Zurich นักวิจัยในปัจจุบันมีคอมพิวเตอร์ควอนตัมที่ทำงานได้ถึง 17 qubits (ดู "ETH Zurich และ PSI พบ Quantum Computing Hub" วันที่ 3 พฤษภาคม พ.ศ. 2564) อย่างไรก็ตาม หากคอมพิวเตอร์ควอนตัมตระหนักถึงศักยภาพอย่างเต็มที่ในวันหนึ่ง พวกเขาอาจต้องการคิวบิตนับพันถึงแสน

เสียงควอนตัมและความหลีกเลี่ยงไม่ได้ของข้อผิดพลาด

ความท้าทายประการหนึ่งที่คอมพิวเตอร์ควอนตัมเผชิญคือความเสี่ยงที่จะเกิดข้อผิดพลาด คอมพิวเตอร์ควอนตัมในปัจจุบันทำงานโดยมี "สัญญาณรบกวน" ในระดับสูงมาก เนื่องจากข้อผิดพลาดหรือการรบกวนเป็นที่ทราบกันดีอยู่แล้วในศัพท์แสงทางเทคนิค สำหรับ American Physical Society เสียงนี้เป็น "อุปสรรคสำคัญในการขยายคอมพิวเตอร์ควอนตัม" ไม่มีโซลูชันที่ครอบคลุมสำหรับทั้งการแก้ไขและบรรเทาข้อผิดพลาด ยังไม่พบวิธีใดในการผลิตฮาร์ดแวร์ควอนตัมที่ปราศจากข้อผิดพลาด และคอมพิวเตอร์ควอนตัมที่มี 50-100 คิวบิตนั้นเล็กเกินไปที่จะใช้ซอฟต์แวร์แก้ไขหรืออัลกอริธึม

ในระดับหนึ่ง เราต้องอยู่กับความจริงที่ว่าข้อผิดพลาดในการคำนวณควอนตัมเป็นสิ่งที่หลีกเลี่ยงไม่ได้ในหลักการ เนื่องจากสถานะควอนตัมที่อิงตามขั้นตอนการคำนวณที่เป็นรูปธรรมสามารถแยกแยะและวัดปริมาณด้วยความน่าจะเป็นเท่านั้น ในทางกลับกัน สิ่งที่สามารถทำได้คือขั้นตอนที่จำกัดขอบเขตของเสียงและการรบกวนในขอบเขตที่การคำนวณยังคงให้ผลลัพธ์ที่เชื่อถือได้ นักวิทยาศาสตร์คอมพิวเตอร์อ้างถึงวิธีการคำนวณที่ทำงานได้อย่างน่าเชื่อถือว่า "แข็งแกร่ง" และในบริบทนี้ยังพูดถึง "ความทนทานต่อข้อผิดพลาด" ที่จำเป็นอีกด้วย

นี่คือสิ่งที่กลุ่มวิจัยนำโดย Ce Zhang ศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์ของ ETH และสมาชิกของ ETH AI Center ได้สำรวจเมื่อเร็วๆ นี้ว่า "บังเอิญ" ในระหว่างที่พยายามให้เหตุผลเกี่ยวกับความแข็งแกร่งของการแจกแจงแบบคลาสสิกเพื่อจุดประสงค์ในการสร้างให้ดีขึ้น ระบบและแพลตฟอร์มการเรียนรู้ของเครื่อง ร่วมกับศาสตราจารย์ Nana Liu จาก Shanghai Jiao Tong University และ Professor Bo Li จาก University of Illinois at Urbana ได้พัฒนาแนวทางใหม่ ซึ่งช่วยให้พวกเขาสามารถพิสูจน์สภาวะความทนทานของโมเดลแมชชีนเลิร์นนิงแบบควอนตัมบางรุ่น ซึ่งรับประกันว่าการคำนวณควอนตัมจะเชื่อถือได้และผลลัพธ์จะถูกต้อง นักวิจัยได้ตีพิมพ์แนวทางของพวกเขาซึ่งเป็นหนึ่งในวิธีแรกในประเภทนี้ในวารสารวิทยาศาสตร์npj Quantum Information.

ป้องกันข้อผิดพลาดและแฮกเกอร์

"เมื่อเราตระหนักว่าอัลกอริธึมควอนตัม เช่น อัลกอริธึมแบบคลาสสิก มีแนวโน้มที่จะเกิดข้อผิดพลาดและการรบกวน เราถามตัวเองว่าเราจะประเมินแหล่งที่มาของข้อผิดพลาดและการรบกวนเหล่านี้สำหรับงานการเรียนรู้ของเครื่องบางประเภทได้อย่างไร และเราจะรับประกันความทนทานและความน่าเชื่อถือของตัวเลือกที่เลือกได้อย่างไร วิธี” Zhikuan Zhao, postdoc ในกลุ่มของ Ce Zhang กล่าว "ถ้าเรารู้เรื่องนี้ เราสามารถไว้วางใจผลการคำนวณได้ แม้ว่าจะมีเสียงรบกวนก็ตาม"

นักวิจัยตรวจสอบคำถามนี้โดยใช้อัลกอริธึมการจำแนกควอนตัมเป็นตัวอย่าง อย่างไรก็ตาม ข้อผิดพลาดในงานจำแนกประเภทนั้นยากเพราะอาจส่งผลกระทบต่อโลกแห่งความเป็นจริง เช่น หากเห็ดพิษจัดอยู่ในประเภทปลอดสารพิษ บางทีสิ่งที่สำคัญที่สุด การใช้ทฤษฎีการทดสอบสมมติฐานควอนตัม ซึ่งได้รับแรงบันดาลใจจากงานล่าสุดของนักวิจัยคนอื่นๆ อัลกอริธึมการจำแนกประเภทควอนตัมรับประกันว่าถูกต้องและคาดการณ์ได้อย่างมีประสิทธิภาพ

ด้วยวิธีความทนทาน นักวิจัยสามารถตรวจสอบได้ว่าการจำแนกประเภทของอินพุตที่ผิดพลาดและมีเสียงดังให้ผลลัพธ์เช่นเดียวกับอินพุตที่สะอาดและไม่มีเสียงรบกวนหรือไม่ จากการค้นพบนี้ นักวิจัยยังได้พัฒนารูปแบบการป้องกันที่สามารถใช้เพื่อระบุความทนทานต่อข้อผิดพลาดของการคำนวณ ไม่ว่าข้อผิดพลาดจะมีสาเหตุตามธรรมชาติหรือเป็นผลมาจากการยักย้ายจากการโจมตีด้วยการแฮ็ก แนวคิดด้านความทนทานใช้ได้กับทั้งการโจมตีจากการแฮ็กและข้อผิดพลาดตามธรรมชาติ

"วิธีการนี้สามารถนำไปใช้กับอัลกอริธึมควอนตัมในวงกว้างได้" Maurice Weber นักศึกษาปริญญาเอกของ Ce Zhang และผู้เขียนคนแรกของสิ่งพิมพ์กล่าว เนื่องจากผลกระทบของข้อผิดพลาดในการคำนวณควอนตัมเพิ่มขึ้นเมื่อขนาดระบบเพิ่มขึ้น เขาและ Zhao กำลังดำเนินการวิจัยเกี่ยวกับปัญหานี้ "เรามองโลกในแง่ดีว่าสภาวะความแข็งแกร่งของเราจะพิสูจน์ได้ว่ามีประโยชน์ ตัวอย่างเช่น ร่วมกับอัลกอริธึมควอนตัมที่ออกแบบมาเพื่อทำความเข้าใจโครงสร้างอิเล็กทรอนิกส์ของโมเลกุลให้ดีขึ้น"บาคาร่า สมัครบาคาร่า