تحقق من جميع الجلسات عند الطلب من قمة الأمن الذكي هنا.
أثبتت خوارزميات التعلم الآلي الكلاسيكية (ML) أنها أدوات قوية لمجموعة واسعة من المهام ، بما في ذلك التعرف على الصور والكلام ومعالجة اللغة الطبيعية (NLP) والنمذجة التنبؤية. ومع ذلك ، فإن الخوارزميات الكلاسيكية مقيدة بقيود الحوسبة الكلاسيكية ويمكن أن تكافح لمعالجة مجموعات البيانات الكبيرة والمعقدة أو لتحقيق مستويات عالية من الدقة والدقة.
أدخل التعلم الآلي الكمي (QML).
تجمع QML بين قوة الحوسبة الكمومية والقدرات التنبؤية لـ ML للتغلب على قيود الخوارزميات الكلاسيكية وتقديم تحسينات في الأداء. كتب ريتشارد جوزسا ونيل ليندن ، من جامعة بريستول في المملكة المتحدة ، في ورقتهم البحثية “حول دور التشابك في تسريع الحوسبة الكمومية ، أن خوارزميات QML تحمل وعدًا بتوفير تسريع أسي على حسابها الكلاسيكي النظراء في مهام معينة ، مثل تصنيف البيانات واختيار الميزات وتحليل الكتلة. على وجه الخصوص ، فإن استخدام الخوارزميات الكمية للتعلم الخاضع للإشراف وغير الخاضع للإشراف لديه القدرة على إحداث ثورة في التعلم الآلي والذكاء الاصطناعي “.
تقول Zohra Ladha ، كبيرة مديري علوم البيانات والذكاء الاصطناعي في Tredence ، إن QML يختلف عن التعلم الآلي التقليدي بعدة طرق رئيسية:
حدث
قمة الأمن الذكي عند الطلب
تعرف على الدور الحاسم للذكاء الاصطناعي وتعلم الآلة في الأمن السيبراني ودراسات الحالة الخاصة بالصناعة. شاهد الجلسات عند الطلب اليوم.
مشاهدة هنا
- التوازي الكمييمكن أن تستفيد خوارزميات الكم من الخاصية الفريدة للأنظمة الكمومية المعروفة باسم التوازي الكمومي ، والتي تسمح لها بإجراء عمليات حسابية متعددة في وقت واحد. عند معالجة كميات كبيرة من البيانات ، مثل الصور أو الكلام ، يمكن أن يؤدي ذلك إلى تقليل الوقت اللازم لحل مشكلة ما بشكل كبير.
- تراكب الكم: يسمح التراكب الكمي للخوارزمية الكمومية بتمثيل حالات متعددة في وقت واحد. يمكن أن يمكّنها ذلك من استكشاف الحلول الممكنة لمشكلة ما ، مما يؤدي إلى حلول أكثر دقة وكفاءة.
- تشابك الكم: يمكن لخوارزميات الكم أيضًا استخدام خاصية التشابك الكمي ، والتي تسمح للأنظمة الكمومية بالربط بطرق لا تستطيع الفيزياء الكلاسيكية تفسيرها. هذا يمكن أن يمكّن الخوارزميات الكمومية من أداء مهام معينة بشكل أكثر كفاءة من الخوارزميات التقليدية.
قد تكون خوارزميات التعلم الآلي التقليدية ، التي تعتمد على تقنيات الحوسبة الكلاسيكية وتفتقر إلى هذه القدرات الكمومية ، أبطأ أو أقل دقة في حالات معينة.
بدأ البحث في التعلم الآلي الكمومي في الثمانينيات. في أواخر التسعينيات وأوائل القرن الحادي والعشرين ، طور الباحثون شبكات عصبية كمومية لإثبات إمكانات الأنظمة الكمية للتعلم الآلي التي يمكن تدريبها على التعرف على الأنماط في البيانات. تم تطبيق هذه الشبكات منذ ذلك الحين على مجموعة واسعة من مشاكل العالم الحقيقي.
بعد عقد من الزمان ، طور الباحثون خوارزميات الكم وأدوات برمجية لمهام التعلم الآلي. تضمنت هذه الإصدارات الكمية من خوارزميات التعلم الآلي الشائعة مثل آلات ناقلات الدعم وأشجار القرار والشبكات العصبية.
كان تطوير أجهزة الكمبيوتر الكمومية أيضًا عاملاً رئيسيًا في نمو QML. في 2010 و 2020 ، طورت العديد من الشركات والمجموعات البحثية أجهزة كمبيوتر كمومية يمكنها أداء مهام التعلم الآلي. وشمل ذلك كلاً من أجهزة الكمبيوتر الكمومية القائمة على البوابة وأجهزة التلدين الكمومية. بحلول عام 2020 ، بدأ اعتماد QML على نطاق واسع في التطبيقات بما في ذلك التعرف على الأنماط ومعالجة اللغة الطبيعية وتحسينها.
اليوم ، أحد أكثر التطبيقات الواعدة لـ QML هو اكتشاف الأدوية. يمكن أن تكون عمليات اكتشاف الأدوية التقليدية بطيئة ومكلفة وغير متسقة. QML لديه القدرة على تسريع العملية. قال نيخيل مالهوترا ، الرئيس العالمي ، Makers Lab في Tech Mahindra: “بعد نجاحنا الأولي في العثور على جزيء علاجي COVID-19 ، أردنا توسيع المساحة لتوليد جزيئات أصغر الآن”. “الكم GAN أو جيل GAN الهجين هو شيء نحاوله من أجل جزيئات صغيرة. هذا ، على ما أعتقد ، من شأنه أن يعزز اكتشاف الأدوية وحتى إنشاء أدوية جديدة بشكل كبير “.
الأسواق المالية هي مجال آخر أظهر فيه QML واعدًا. خلصت ورقة بحثية صدرت عام 2021 من مختبر المستقبل للأبحاث التطبيقية والهندسة التابعة لـ JPMorgan إلى أن QML يمكن أن يؤدي مهام مثل تسعير الأصول ، والتنبؤ بالتقلبات ، والتنبؤ بنتائج الخيارات الغريبة ، واكتشاف الاحتيال ، واختيار الأسهم ، واختيار صندوق التحوط ، والتداول الحسابي ، وصنع السوق ، والمالية. التنبؤ والمحاسبة والمراجعة وتقييم المخاطر بشكل أسرع وأكثر دقة من الخوارزميات التقليدية.
قال لادا: “QML هو مجال مثير وسريع التطور وله القدرة على التأثير بشكل كبير على مجموعة واسعة من الصناعات والتطبيقات”. بالنسبة لعام 2023 ، تتوقع أن الخوارزميات الكمومية لديها القدرة على أداء بعض مهام التعلم الآلي بشكل أسرع وأكثر دقة ، خاصةً لمهام مثل التعرف على الصور والكلام ، والتي تتطلب معالجة كميات كبيرة من البيانات. وتشير أيضًا إلى أن QML يمكنه معالجة مشاكل التحسين التي تظهر غالبًا في مهام التعلم الآلي ويصعب حلها باستخدام الخوارزميات الكلاسيكية. يتوقع Ladha أن قدرة الخوارزميات الكمومية على حل هذه المشكلات بشكل أكثر كفاءة يمكن أن تفيد التمويل واللوجستيات.
الأمن السيبراني هو مجال آخر تتوقع فيه أن يكون لـ QML تأثير. وقالت: “من خلال تطوير خوارزميات أكثر تطورًا لاكتشاف الهجمات الإلكترونية ومنعها ، يمكن للتعلم الآلي الكمي أن يحسن أمن الأنظمة”.
بالتعمق أكثر في التكنولوجيا نفسها ، قال مالهوترا إنه يتوقع رؤية الغالبية العظمى من خوارزميات ML ، خاصة تلك الموجودة على الشبكات العصبية الاصطناعية ، ليتم تجربتها على آلة الكم كخوارزميات تعلم الآلة الكمومية. “لقد رأينا عمليات التسليم المبكرة مثل QNLP و Q-GAN وحتى التعلم المعزز على الدوائر الكمومية. أتوقع أن ينمو الاتجاه في عام 2023.
QML هي صفقة كبيرة بسبب وعدها. تشير الدلائل إلى أنه يمكن تدريب نماذج التعلم الآلي للحصول على دقة أعلى ببيانات أقل مما يمكن تدريبه باستخدام تقنياتنا الكلاسيكية الحالية. ومع ذلك ، وفقًا لسكوت بوخهولز ، قائد الكم العالمي ورئيس قسم التكنولوجيا ، والخدمات الحكومية والعامة ، Deloitte Consulting LLP ، الإجابة على الأسئلة ، “ما هو أقل؟” و “ما مدى السرعة؟” التغييرات بانتظام بسبب التحديات التالية مع QML:
- من حيث الأجهزة ، لا تزال أقوى أجهزة الكمبيوتر الكمومية الموجودة اليوم محدودة – لا سيما عند مقارنتها بأقوى الخوادم الحالية. نتوقع أن يتغير هذا في السنوات القادمة لأن هناك مساحة أكبر بكثير لتكنولوجيا الحوسبة الكمومية للتقدم والنمو.
- فيما يتعلق بالبرامج والخوارزميات ، تعمل أجهزة الكمبيوتر الكمومية بشكل مختلف تمامًا عن أجهزة الكمبيوتر الحالية. نتيجة لذلك ، يحاول الباحثون اكتشاف أفضل الطرق لرسم خرائط للمشكلات على أجهزة الكمبيوتر الكمومية (وفي الواقع ، تحديد المشكلات التي قد يكون من المفيد حلها على أجهزة الكمبيوتر الكمومية). عندما نتوصل إلى تعيينات معممة بشكل أفضل ، يصبح من السهل على الآخرين “إحضار مشاكلهم” إلى أجهزة الكمبيوتر الكمومية.
لسنوات ، كانت QML – ولا تزال – مجالًا للبحث النشط. مع تحسن نضج الأجهزة والبرامج ، من المحتمل أن نرى المؤسسات تبدأ في تقييم استخدام QML في أعباء العمل الإنتاجية “، تابع بوشولز. “نظرًا لأننا لا نزال بعيدين عن امتلاك آلة يمكنها تشغيل أحمال عمل QML للإنتاج ، فإننا نواصل تطوير أحدث التقنيات في QML حيث تستمر الأجهزة في التحسن. لكني أتوقع تقدمًا متزايدًا في QML طوال عام 2023 – أي الاستمرار في تحسين تقنيات قياس الحجم وتحميل البيانات وتشغيل النماذج “.
مهمة VentureBeat هو أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول تكنولوجيا المؤسسات التحويلية والمعاملات. اكتشف إحاطاتنا.
