機械学習が量子加速を実現、AI研究のパラダイムが完全に変わる可能性

最近、 Quanta Magazineに掲載された記事では、機械学習が量子加速を実現したと指摘されました。量子コンピュータは従来のコンピュータに比べて大きな利点があり、物理学とコンピュータサイエンスをより近づけます。

コンピューターを起動すると、研究者のヴァレリア・サッジョさんは、指の爪ほどの大きさの特殊な結晶を取り出し、それを小さな銅の箱の中にそっと入れます。

小さな銅の箱は小型電気オーブンのような働きをし、結晶を華氏 77 度 (摂氏 25 度に相当) まで加熱します。

この正確な温度では、結晶は光子を 2 つの光子に分割します。 1 つは光検出器に直接入り、そこで旅は終了します。もう 1 つは小さなシリコン チップ、つまり量子コンピューティング プロセッサに入ります。

この時点で、研究者のサッジョ氏はレーザーをオンにし、光子のビームを結晶に照射しました。

ウィーンの研究室で、サッジョ氏は単一光子レーザーを量子回路に導入し、量子物理学の不規則性が機械学習をどのように改善できるかを示しています。

物理学と計算科学の自然な融合

「これは本当のパラダイムシフトです！」とパリのソルボンヌ大学の量子通信の専門家、エレニ・ディアマンティ氏は言う。

「数年前、私は物理学者と計算科学者は平行した世界に住んでいると思っていました」とディアマンティ氏は付け加えた。

サッジョ氏にとって、「量子力学は役に立つだろうか？」これは彼女の心に常に残る疑問である。

物理学者やコンピュータ科学者は長い間、「量子加速」の証拠を探し続けてきた。

これは長年の疑問である「量子物理学は機械学習に実際に何らかの利点をもたらすのか？」に答える素晴らしい実験です。この研究プロジェクトはロボットを迷路に閉じ込めるようなもので、コンピューターは事前の知識なしに自力で脱出方法を見つけなければなりません。

この操作はルーブ・ゴールドバーグに似ており、お茶を注ぐなどの単純な作業を実行するために回りくどいアプローチを取るように設計された、過度に複雑なメカニズムの組み合わせです。設計者は、機械のすべてのコンポーネントが正確に機能するように正確な計算を行う必要があります。リンクのいずれかにエラーがあると、元のタスクを達成できなくなる可能性が高くなります。

量子コンピュータは、正しい方法を自ら見つけるという1つのタスクを学習する必要があります。 「機械学習とは、明示的にプログラムすることなくコンピューターに有用なことを実行させることです」とライデン大学の量子情報研究者、ヴェドラン・ドゥニコ氏は言う。

2013年の研究では、量子コンピューターはアルゴリズムが独自にパターンを発見する一部の「教師なし」学習タスクを高速化できる可能性があることが示唆された。しかし、このアプローチは理論上は有望ですが、実際に実現することは不可能です。

「多くの機械学習では技術は存在するが、その応用はまだ実現可能ではない」とパリ・ソルボンヌ大学の量子通信専門家エレニ・ディアマンティ氏は言う。

過去 10 年間、研究者たちは量子コンピュータが機械学習にどのような影響を与えるかを研究し始めました。量子コンピュータのユニークな利点は、重ね合わせの現象です。「古典的なビット」は 0 と 1 の間で切り替わりますが、「量子ビット」は 2 つのビットの複雑な組み合わせになります。量子アルゴリズムは重ね合わせを使用して、正しい答えを得るために必要な計算ステップの数を減らします。

IBM の物理学者 Kristan Temme 氏は、「力ずくで解決しようとするよりも、最終的にはより細かい詳細の中に現れる可能性のある機会を探す方が良い」と述べています。

量子コンピューティングの有望な成果にもかかわらず、研究者たちは依然として、量子コンピューティングが従来のコンピューティングに完全に取って代わるのではなく、従来のコンピューティングを補完するものになると信じており、各タイプのコンピューターにはそれぞれ独自の利点がある。

人工知能の数学と量子コンピューティングの物理学の間の「自然な融合」を見つけることが、量子機械学習を現実に適用するための鍵となります。

「コア」の謎

テメ氏は経験から語る。

2019年、IBMの彼のチームは量子物理学と互換性のある解決策を発見しました。このアプローチには、「カーネル」と呼ばれるものが関係します。

カーネルは、特定の特徴に関して 2 つのデータ ポイントがどの程度密接に関連しているかを測定するものです。たとえば、BLUE、RED、ORANGE の 3 つの要素を含む単純なデータ セットを考えます。

これらの要素を色として考えると、赤とオレンジはより密接に関連しています。しかし、文字数を考慮すると、BLUE は RED と ORANGE の間になります。

簡単に言えば、カーネルは、アルゴリズムがさまざまな方法でデータを分類し、将来の入力を区別するのに役立つパターンを見つけることができるようにするレンズのようなものです。これは情報を新たな観点から再解釈する技術であり、データ内に隠れていた強力な関係性に焦点を絞ることができるとテム氏は言う。

カーネルは量子物理学と本質的な関係はありません。しかし、量子コンピューターはカーネルのような方法でデータを処理するため、テム氏は、特に教師あり学習の問題向けに、チームがカーネル用の量子アルゴリズムを設計できると考えました。

テメ氏はIBMの同僚であるスリニヴァサン・アルナチャラム氏、カリフォルニア大学バークレー校のインターン生ユンチャオ・リウ氏とともに、「量子カーネルアルゴリズム」が従来のアルゴリズムよりも優れていることを証明しようとした。

2020年の夏、彼らはカーネルを使用して量子コンピューターが教師あり学習を促進できることを実証する方法を調査し始めました。 ついに彼らは方法を見つけました。

論文リンク:

出典: http://arxiv.org/pdf/2010.02174.pdf

テム氏のチームは、量子カーネルを使用することで、離散対数問題によって生成される一見ランダムな出力の中に隠されたパターンを学習によって見つけることができる方法を示しました。

チームはカーネルとオーバーレイを使用してデータ ポイントを再解釈し、データ ポイントが互いにどのように比較されるかを迅速に推定しました。当初、データはランダムに見えましたが、量子手法により、その背後にあるパターンを明らかにする適切な「レンズ」が見つかりました。いくつかの主要な機能のデータ ポイントはランダムに分散されなくなり、近隣としてクラスター化されます。これらの接続を行うことで、量子コアはシステムがデータを分類する方法を学習するのに役立ちます。

「すべてのデータが適切な場所に収まりました」とテム氏は振り返る。この方法により、量子コンピュータの精度は 99% を超えるようになります。

「この論文は本当に気に入りました」と量子機械学習の専門家マリア・シュルド氏は言う。 「これは、量子機械学習において人々が長い間苦労してきた問題を根本的に解決するものです。」

シュルド氏にとって、テム氏の研究の目新しさは、量子コンピューターが古典的なコンピューターでは解決できないことを実現できることを実証している点にある。 「彼らは初めて説得力のある演技をしたと思う」と彼女は語った。

量子「学習者」の育成

テム氏の量子コンピューティングに対するカーネルベースのアプローチはまだ新しすぎて実際の実験で実証することはできないが、量子力学と別のタイプの学習を融合したこの理論には、その真価を証明する時間がまだある。

2016 年にはすでに、Vedran Dunjko 氏は量子力学が強化学習のパフォーマンスを向上させる理由について議論していました。強化学習では、トレーニング システムはアルゴリズムが正しい選択をしたときに報酬を与え、次回正しい選択をする可能性が高くなります。

2018年、ドゥンジコ氏と量子情報の専門家サビーネ・ヴェルク氏は、有名な量子探索アルゴリズムが重ね合わせを利用して一連の正しい選択を従来のコンピューターよりも速く評価できると提案した。ヴォルクは、このアイデアについての講演を行うためにウィーンに招待され、ヴァレリア・サッジョも出席した。彼女は、光子に基づく量子コンピューターがこのアイデアを証明するのに役立つかもしれないことに気づきました。

「実は、量子プロセッサを使えば何かできるかもしれないと、そのとき私たちは考えたのです」と彼女は言う。

サッジョ氏はレーザー、結晶、量子プロセッサの複雑な組み合わせを研究し、量子探索アルゴリズムが、コンピューターが従来のアルゴリズムよりも速く、かつ手順を簡素化して光学的な「迷路」を進むのにどのように役立つかを示した。

強化学習は、1 つの質問に要約できます。コンピューターはどのようにしてすべての可能なオプションを探索するのでしょうか?従来のコンピュータはオプションを順番に処理できます。しかし、量子コンピュータの「重ね合わせ」特性により、いくつかの最適化パスを増幅することができます。

サッジョ氏のチームの量子ナノフォトニックチップは、光子とチップを通過するその経路を介して情報を伝送します。各パスは異なる情報をエンコードし、それぞれ異なる出口に光を送ることができます。

サッジョ氏は、1つの出口を「正しい」出口として選択し、その出口に光を送るようにチップをトレーニングしました。チップが間違った選択をした場合、Saggio の Python ターミナルに 0 が表示されます。正解の場合は1ポイント獲得。

量子チップが正しい経路を素早く見つけられるようにするために、研究チームは量子探索アルゴリズムを使用しました。最初の実行では、コンピューターがどちらのパスを選択する可能性も同じになります。

しかし、コンピューターが正しい選択にたどり着くと、報酬メカニズムが作動します。光の経路の各曲がりの物理的特性が調整され、学習者がより正しい選択を行えるようになります。つまり、解は量子回路内で増幅されるのです。

結果は、量子チップが強化学習を大幅に加速することを示しています。量子チップは従来のコンピューターよりも 63% 速く学習できます。

「最終的に我々は多くのポイントを獲得し、満足している」とサッジョは語った。

重要なのは、このチップは単に試行錯誤のサイクルを高速化するだけではない、とセビリア大学の量子機械学習の専門家、ルーカス・ラマタ氏は言う。 「この研究の目新しい点は、学習の加速を示していることだ。これは重要な進歩だ。」

その意味で、これはテムの理論的な高速化が約束していたことを実験的に実証した。つまり、量子物理学は古典的なコンピューティングよりも優れているだけでなく、それを凌駕できるということだ。

そうすれば、研究者は本格的な量子コンピューターを待つ必要がなくなるだろうとディアマンティ氏は語った。 「既存の条件では、量子リソースの利点を活用し、特定のコンピューティングタスクを高速化できます。」

量子コンピューティングと機械学習 量子物理学がついに機械学習を改善できることが証明されたため、この分野の多くの人々は、今後数年間でさらなる実験的デモンストレーションが行われることを期待しています。

「量子優位性は可能だと我々は今や知っている。」サッジョ氏は「より現実的な学習シナリオ」を見たいと語った。研究者たちは、将来的には量子強化学習が幅広いコンピューティングタスクの高速化に利用できるようになるだろうと推測している。チェスや自然言語アルゴリズムから、神経インターフェースでの脳信号の解読、複雑な癌治療計画のパーソナライズまで。

しかし、現在の技術的な制限により実験は困難です。

「実際に分析できる問題の範囲は狭すぎます。」したがって、テメ氏のチームの成果はさらに重要です。

量子力学と人工知能の組み合わせは、両方の分野に新たな展望をもたらしました。科学者たちは現在、古典的な機械学習を利用して量子物理学の理解を深めています。

たとえば、AI アルゴリズムは量子回路の微調整を最適化し、量子実験の最も厄介な部分でエラーを防ぎ、時間を節約することができます。機械学習は物理学者が量子もつれを検出するのにも役立ちます。

「これは私たちが見たい自然な組み合わせです」とドゥンジコ氏は語った。 「もちろん、私たちはすべての可能性のあるつながりを探求しているわけではなく、発見すべき新しいことが数多くあります。」