Κβαντική μηχανική μάθηση

Abstract

Την τελευταία δεκαετία παρατηρείται μια τεράστια άνθιση του τομέα της Κλασικής Μηχανικής Μάθησης, λόγω της μεγάλης επέκτασης του διαδικτύου σε όλα τα μήκη και πλάτη του κόσμου και της συνδεσιμότητας περισσότερων συσκευών (smartphones, tablets πέρα από τα κλασικά λάπτοπ και σταθερούς υπολογιστές). Αυτό σημαίνει πως έχουμε πλέον να διαχειριστούμε μεγάλο όγκο δεδομένων (big data). Υπολογίζεται ότι μέχρι το τέλος του 2021 είχαν παραχθεί 74 zettabytes δεδομένων, με το zettabyte να αντιστοιχεί σε 1 τρισεκατομμύριο Gigabytes και αυτά τα μεγέθη αναμένεται να εκτοξευθούν στο σχετικά κοντινό μέλλον στην εποχή του Διαδικτύου των Πραγμάτων, με τις εκτιμήσεις για το 2023 να κάνουν λόγο για 130 zettabytes [1]. Τα πολλά διαθέσιμα δεδομένα είναι ζωτικής σημασίας για ένα μοντέλο μηχανικής μάθησης, μιας και εκπαιδεύεται καλύτερα όταν έχουμε περισσότερα δεδομένα και με μεγάλη διαφορετικότητα (diversity). Η Μηχανική Μάθηση λοιπόν είναι εκείνο το κομμάτι της Τεχνητής Νοημοσύνης που χρησιμοποιώντας εργαλεία προερχόμενα κυρίως από την Στατιστική, ανακαλύπτει μοτίβα (pattern recognition) χωρίς να έχει προγραμματιστεί επακριβώς, κι έχει φτάσει σε εξαιρετικά επίπεδα αναγνωρίζοντας εικόνες ή ήχους (image classification, voice/speech recognition) σχεδόν όπως και ο άνθρωπος. Από την άλλη το Quantum Computing πραγματοποιεί επεξεργασία πληροφορίας σε συσκευές που εκμεταλλεύονται νόμους της Κβαντικής Μηχανικής, όπως η υπέρθεση (superposition) και η διεμπλοκή (entaglement). Το ζήτημα που τίθεται και θα πραγματευτούμε στην παρούσα εργασία είναι το κατά πόσο η σύνθεση των 2 αυτών αντικειμένων (Quantum Machine Learning) μπορεί να κάνει τη διαφορά στην έρευνα της τεχνητής νοημοσύνης και της κβαντικής υπολογιστικής, με βάση πάντα τα όποια μέχρι στιγμής δεδομένα και αποτελέσματα στην έρευνα, και κατά πόσο τελικά θα μπορούσε η κβαντική μάθηση να μας φέρει πιο κοντά σε αυτό που ονομάζουν οι ερευνητές Γενική Νοημοσύνη (AGI).