13 de jan. de 2023

Aprendizagem de máquina quântica (QML) pronta para dar um salto em 2023




VB, 12/01/2023 



Por Sri Krishna 



Os algoritmos clássicos de aprendizado de máquina (ML) provaram ser ferramentas poderosas para uma ampla gama de tarefas, incluindo reconhecimento de imagem e fala, processamento de linguagem natural (NLP) e modelagem preditiva. No entanto, os algoritmos clássicos são limitados pelas restrições da computação clássica e podem se esforçar para processar conjuntos de dados grandes e complexos ou para atingir altos níveis de exatidão e precisão.

O QML combina o poder da computação quântica com os recursos preditivos do ML para superar as limitações dos algoritmos clássicos e oferecer melhorias no desempenho. Em seu artigo “Sobre o papel do emaranhamento na aceleração computacional quântica”, Richard Jozsa e Neil Linden, da Universidade de Bristol, no Reino Unido, escrevem que “algoritmos QML prometem fornecer acelerações exponenciais em relação a seus métodos clássicos, contrapartes para determinadas tarefas, como classificação de dados, seleção de recursos e análise de cluster. Em particular, o uso de algoritmos quânticos para aprendizado supervisionado e não supervisionado tem o potencial de revolucionar o aprendizado de máquina e a inteligência artificial.”

QML versus aprendizado de máquina clássico 

Zohra Ladha, diretor sênior de ciência de dados e IA da Tredence, diz que o QML difere do aprendizado de máquina tradicional de várias maneiras importantes:

1. Paralelismo quântico: os algoritmos quânticos podem aproveitar a propriedade exclusiva dos sistemas quânticos conhecida como paralelismo quântico, que permite que eles executem vários cálculos simultaneamente. Ao processar grandes quantidades de dados, como imagens ou fala, isso pode reduzir significativamente o tempo necessário para resolver um problema.

2. Superposição quântica: A superposição quântica permite que um algoritmo quântico represente vários estados simultaneamente. Isso pode permitir que ele explore possíveis soluções para um problema, levando a soluções mais precisas e eficientes.

3. Emaranhamento quântico: os algoritmos quânticos também podem usar a propriedade do emaranhamento quântico, que permite que os sistemas quânticos sejam correlacionados de maneiras que a física clássica não pode explicar. Isso pode permitir que os algoritmos quânticos executem certas tarefas com mais eficiência do que os algoritmos clássicos. Os algoritmos tradicionais de aprendizado de máquina, que dependem de técnicas de computação clássicas e não possuem esses recursos quânticos, podem ser mais lentos ou menos precisos em certos casos.

A jornada QML: Da pesquisa ao mundo real

A pesquisa sobre aprendizado de máquina quântica começou na década de 1980. No final dos anos 1990 e início dos anos 2000, pesquisadores desenvolveram redes neurais quânticas para demonstrar o potencial de sistemas quânticos para aprendizado de máquina que podem ser treinados para reconhecer padrões em dados. Desde então, essas redes foram aplicadas a uma ampla gama de problemas do mundo real. 

Uma década depois, os pesquisadores desenvolveram algoritmos quânticos e ferramentas de software para tarefas de aprendizado de máquina. Isso incluiu versões quânticas de algoritmos populares de aprendizado de máquina, como máquinas de vetores de suporte, árvores (esquemáticas) de decisão e redes neurais.

O desenvolvimento de computadores quânticos também foi um fator chave no crescimento do QML. Nas décadas de 2010 e 2020, várias empresas e grupos de pesquisa desenvolveram computadores quânticos que poderiam realizar tarefas de aprendizado de máquina. Isso incluía computadores quânticos baseados em gate e recozimentos quânticos. Na década de 2020, o QML começou a ser amplamente adotado em aplicativos, incluindo reconhecimento de padrões, processamento de linguagem natural e otimização. 

Hoje, uma das aplicações mais promissoras do QML é a descoberta de medicamentos. Os processos tradicionais de descoberta de medicamentos podem ser lentos, caros e inconsistentes. QML tem o potencial de acelerar o processo. “Após nosso sucesso inicial em encontrar uma molécula terapêutica para a COVID-19, queríamos estender o espaço para gerar agora moléculas menores”, disse Nikhil Malhotra, chefe global do Makers Lab na Tech Mahindra. “GAN quântico ou geração híbrida de GAN é algo que estamos tentando para pequenas moléculas. Isso, acredito, avançaria significativamente na descoberta de medicamentos e até mesmo na criação de novos medicamentos”. 

Os mercados financeiros são outra área em que o QML se mostrou promissor. Um artigo de 2021 do Future Lab for Applied Research and Engineering do JPMorgan concluiu que o QML pode executar tarefas como precificação de ativos, previsão de volatilidade, previsão do resultado de opções exóticas, detecção de fraude, seleção de ações, seleção de fundos de hedge, negociação algorítmica, criação de mercado, previsão, contabilidade e auditoria e avaliação de risco com muito mais rapidez e precisão do que os algoritmos clássicos. 

A promessa de 2023 do aprendizado de máquina quântica

QML é um campo excitante e em rápido desenvolvimento que tem o potencial de impactar significativamente uma ampla gama de indústrias e aplicações”, disse Ladha. Para 2023, ela prevê que os algoritmos quânticos têm potencial para realizar certas tarefas de aprendizado de máquina com mais rapidez e precisão, especialmente para tarefas como reconhecimento de imagem e fala, que exigem o processamento de grandes quantidades de dados. Ela também aponta que o QML pode resolver problemas de otimização que geralmente surgem em tarefas de aprendizado de máquina e são difíceis de resolver usando algoritmos clássicos. Ladha prevê que a capacidade dos algoritmos quânticos de resolver esses problemas com mais eficiência pode beneficiar finanças e logística.

A segurança cibernética é outra área em que ela prevê que o QML causará impacto. “Ao desenvolver algoritmos mais sofisticados para detectar e prevenir ataques cibernéticos, o aprendizado de máquina quântica pode melhorar a segurança dos sistemas”, disse ela.

Indo um pouco mais fundo na própria tecnologia, Malhotra disse que espera ver uma grande maioria dos algoritmos de ML, particularmente aqueles em redes neurais artificiais, a serem testados na máquina quântica como algoritmos de aprendizado de máquina quântica. “Vimos versões iniciais como QNLP, Q-GAN e até aprendizado reforçado em circuitos quânticos. Prevejo a tendência de crescimento em 2023”, disse. 

Os desafios do aprendizado de máquina quântica permanecem 

QML é um grande negócio por causa de sua promessa. As evidências sugerem que os modelos de aprendizado de máquina podem ser treinados para maior precisão com menos dados do que com nossas técnicas clássicas atuais. No entanto, de acordo com Scott Buchholz, líder quântico global e CTO, governo e serviços públicos da Deloitte Consulting LLP, a resposta para as perguntas "Quanto menos?" e "Quanto mais rápido?" muda regularmente devido aos seguintes desafios com QML:

  • Em termos de hardware, os computadores quânticos mais poderosos que existem hoje ainda são limitados – principalmente quando comparados aos servidores mais poderosos de hoje. Prevemos essa mudança nos próximos anos porque há muito mais espaço para a tecnologia de computação quântica avançar e crescer.
  • Em termos de software e algoritmos, os computadores quânticos funcionam de maneira fundamentalmente diferente dos computadores atuais. Como resultado, os pesquisadores estão tentando descobrir as melhores maneiras de mapear problemas em computadores quânticos (e, de fato, determinar quais problemas podem ser úteis para resolver em computadores quânticos). À medida que criamos melhores mapeamentos generalizados, fica mais fácil para os outros 'trazerem seus problemas' para os computadores quânticos.

Durante anos, o QML foi – e continua sendo – uma área de pesquisa ativa. À medida que a maturidade de hardware e software melhora, é provável que vejamos organizações começarem a avaliar o uso de QML em cargas de trabalho de produção”, continuou Buchholz. “Como ainda faltam alguns anos para termos uma máquina que possa executar cargas de trabalho QML de produção, continuamos avançando no estado da arte em QML à medida que o hardware continua a melhorar. Mas prevejo o progresso incremental do QML ao longo de 2023 – ou seja, continuar a melhorar as técnicas para dimensionar o volume, carregar dados e executar modelos.”

Artigos recomendados: ML e IA


Fonte:https://venturebeat.com/ai/quantum-machine-learning-qml-poised-to-make-a-leap-in-2023/

Nenhum comentário:

Postar um comentário

Related Posts Plugin for WordPress, Blogger...