یک الگوریتم کلاسیک یادگیری ماشین کوانتومی می‌شود

پژوهشگران به ‌صورت ریاضیاتی ثابت کرده‌اند که یک الگوریتم کلاسیک قدرتمند یادگیری ماشین (machine learning)، باید بر روی کامپیوتر‌های کوانتومی کار کند.

در سال‌های اخیر دانشمندان کامپیوتر از الگوریتم‌های یادگیری ماشین، که به عنوان شبکه‌های مولد خصمانه (GANs) شناخته می‌شوند، برای کار با داده‌ها به همراه تاثیرات شگفت انگیزشان استفاده کرده‌اند.

GANها می‌توانند با استفاده از گرافیک، چشم‌های بسته در عکس‌ها را باز کنند و از سخنرانی سیاستمداران، فیلم‌های جعلی بسازند. اکنون لیوید (Seth Lloyd) از موسسه فناوری ماساچوست در کمبریج و کریستین وید بروک (Christian Weedbrook) از استارتاپ کانادایی  Xanadu، به صورت تئوری ثابت کرده‌اند که این الگوریتم را می‌توان به مجموعه داده‌های کوانتومی اعمال کرد. مشابه GANهای کلاسیکی، می‌توان از GANها‌ی کوانتومی یا همان  QGANها برای تولید داده‌های کوانتومی به ظاهر واقعی در کامپیوترهای کوانتومی استفاده کرد.

GANها‌ از دو مولفه در حال رقابت برای شناسایی الگو‌ها در داده‌ها استفاده می‌کنند –  یک “مولد” و یک “تفکیک کننده” –  که در نوعی بازی با هم رقابت می‌کنند. مولد سعی می‌کند با استفاده از داده‌های واقعی، داده‌هایی تولید کند که توزیع آماری آن‌ها از داده‌های واقعی تقلید می‌کند. تفکیک کننده به داده‌های مولد نگاه کرده و حدس می‌زند که داده‌ها حقیقی هستند یا خیر. با استفاده از بازخورد تفکیک کننده، مولد به صورت تصاعدی داده‌های به ظاهر واقعی‌تری تولید می‌کند. این بازی زمانی تمام می‌شود که تفکیک‌کننده، دیگر نتواند اعداد واقعی را تشخیص دهد. مولد کاملا آمار داده‌های حقیقی را کاملاً تکرار کرده است. این بازی به این دلیل کار می‌کند که تفکیک کننده دقیقا زمانی شکست می‌خورد که مولد به هدفش می‌رسد.

لیوید و وید بروک با اثبات ریاضیاتی نشان دادند که  QGAN باید به روش مشابهی عمل کند: درست همانند حالت کلاسیکی، تفکیک‌دهنده کوانتومی زمانی شکست می‌خورد که مولد کوانتومی، آمار داده‌های واقعی را تولید کند. این دو معتقدند که در آینده نزدیک،  QGANها می‌توانند شبیه سازی‌های کوانتومی مولکول‌ها را سریع‌تر از کامپیوترهای کلاسیکی انجام دهند و به بهبود برنامه‌های دیگری مثل کشف دارو، تجارت الگوریتمی و تشخیص تقلب کمک کنند.

 این پژوهش در  Physical Review Letters منتشر شده است.