Kai pirmą kartą išgirstu žodžių junginį „kvantinis mašininis mokymasis“, dažniausiai matau dvi reakcijas: arba akys sublizga iš susižavėjimo, arba veidas išreiškia gilų skepticizmą. Ir teisybė yra kažkur per vidurį. Tai nėra magija, kuri per naktį išspręs visas dirbtinio intelekto problemas, bet tai taip pat nėra tuščias marketinginis burbulas, apie kurį verta pamiršti. Šioje srityje vyksta rimti tyrimai, kuriuose susikerta kvantinė fizika, algoritmų teorija ir statistika – ir būtent apie tai norėčiau papasakoti be perdėto entuziazmo, bet ir be nereikalingo pesimizmo.
Kodėl apskritai reikia kvantinių kompiuterių mašininiam mokymuisi
Klasikinis mašininis mokymasis šiandien remiasi milžiniškais duomenų kiekiais ir dar didesniais skaičiavimo resursais. GPU klasteriai, kuriuose treniruojami dideli kalbos modeliai, suvartoja tiek elektros energijos, kad kai kuriuose regionuose tai jau tapo infrastruktūros klausimu. Kvantiniai kompiuteriai siūlo kitokį matematinį pagrindą – jie operuoja kubitais, kurie gali būti superpozicijos būsenoje, o tai teoriškai leidžia vienu metu apdoroti eksponentiškai daugiau informacijos nei klasikinis bitas.
Svarbu suprasti vieną dalyką: kvantinis pagreitis nėra universalus. Jis pasireiškia tik konkrečiose užduotyse – pavyzdžiui, tam tikrų matricų operacijų, optimizavimo uždavinių ar didelės dimensijos duomenų atvaizdavimo srityse. Būtent čia ir atsiranda susikirtimo taškas su mašininiu mokymusi, kuriame daug kas priklauso nuo linijinės algebros ir optimizavimo.
Kubitai vs bitai – trumpai apie esmę
Klasikinis bitas yra arba 0, arba 1. Kubitas gali būti abiejų būsenų superpozicijoje vienu metu, o kai turime kelis kubitus kartu, jie gali susipinti (angl. entanglement) – tai reiškia, kad vieno kubito būsena priklauso nuo kito, net jei jie fiziškai nutolę. Būtent šis reiškinys leidžia tam tikrus skaičiavimus atlikti struktūromis, kurios klasikiniame kompiuteryje užimtų neįtikėtinai daug atminties.
Pagrindiniai kvantinio mašininio mokymosi algoritmai
Kai pradedi domėtis šia sritimi, greitai susiduri su gausybe trumpinių – QSVM, VQE, QAOA, QNN. Iš pirmo žvilgsnio atrodo kaip abėcėlės sriuba, tačiau kiekvienas iš jų sprendžia konkrečią problemą.
- Kvantiniai atraminių vektorių klasifikatoriai (QSVM) – naudoja kvantinius grandinius duomenų atvaizdavimui aukštesnės dimensijos erdvėje, kur klasifikavimo riba tampa lengviau randama. Idėja panaši į klasikinį „kernel trick“, tik čia kernel funkcija skaičiuojama kvantiniu būdu.
- Variacinis kvantinis savitikslis (VQE) – iš pradžių sukurtas chemijos uždaviniams, bet pritaikomas ir optimizavimo problemoms mašininiame mokymesi, kai reikia rasti minimalią energijos būseną tam tikroje funkcijoje.
- Kvantinis apytikslis optimizavimo algoritmas (QAOA) – naudojamas kombinatoriniams optimizavimo uždaviniams, pavyzdžiui, klasterizacijai ar tinklo maršrutizavimui.
- Kvantiniai neuroniniai tinklai (QNN) – hibridinė architektūra, kur parametrizuoti kvantiniai grandinys veikia panašiai kaip klasikinio neuroninio tinklo sluoksniai, o parametrai optimizuojami klasikiniu gradientiniu nusileidimu.
Verta pastebėti, kad dauguma šių algoritmų šiandien yra hibridiniai – dalis skaičiavimų vyksta kvantiniame procesoriuje, dalis klasikiniame. Tai vadinama NISQ era (angl. Noisy Intermediate-Scale Quantum), kai turimi kvantiniai įrenginiai dar per maži ir per triukšmingi, kad veiktų visiškai savarankiškai.
Kur realiai naudingas kvantinis požiūris
Kalbant apie praktinį pritaikymą, dažniausiai minimos sritys yra chemija ir materialų mokslas – čia kvantinis kompiuteris natūraliai modeliuoja kvantines sistemas, tad molekulių savybių prognozavimas tampa efektyvesnis. Farmacijos kompanijos jau eksperimentuoja su kvantiniais algoritmais vaistų dizaino procese, nors vis dar daugiausia tyrimų, o ne produkcinio naudojimo lygmenyje.
Finansų sektorius domisi portfelio optimizavimu ir rizikos modeliavimu – tai kombinatoriniai uždaviniai, kuriuose QAOA gali pasiūlyti pranašumą. Taip pat kalbama apie krovinių logistikos optimizavimą, kur reikia rasti geriausią sprendimą iš eksponentiškai didelio galimybių skaičiaus.
Grynajame mašininio mokymosi kontekste labiausiai perspektyvi sritis – duomenų, kurie patys yra kvantinės kilmės (pavyzdžiui, kvantinių jutiklių signalai arba molekulių struktūros), analizė. Tokiu atveju kvantinis modelis „supranta“ duomenų prigimtį geriau nei klasikinis, nes duomenys ir modelis kalba ta pačia matematine kalba.
Kur kvantinis pranašumas dar neįrodytas
Sąžiningai reikia pasakyti – didžiajai daliai kasdienių mašininio mokymosi uždavinių (vaizdų klasifikacija, teksto analizė, rekomendacinės sistemos) šiandien nėra jokio įrodyto kvantinio pranašumo prieš klasikinius metodus. Kai kurie tyrimai netgi rodo, kad tam tikri „kvantiniai“ modeliai gali būti efektyviai simuliuojami klasikiniais kompiuteriais, tad realaus pranašumo nėra. Tai nereiškia, kad situacija nepasikeis ateityje, bet šiandien reikia būti atsargiems su pažadais.
Techniniai iššūkiai, kuriuos reikia žinoti
Viena didžiausių problemų vadinama „plikų plokščiakalnių“ (angl. barren plateaus) reiškiniu. Kai kvantinio neuroninio tinklo grandinė tampa per didelė arba per giluminė, gradientai treniravimo metu tampa eksponentiškai maži, ir modelis tiesiog nustoja mokytis. Tai panašu į klasikinio giluminio mokymosi „vanishing gradient“ problemą, tik čia efektas dar ryškesnis.
Kita problema – triukšmas. Šiuolaikiniai kvantiniai procesoriai turi ribotą dekoherencijos laiką, tad kiekviena papildoma operacija grandinėje įneša klaidų. Klaidų taisymo kodai egzistuoja teoriškai, bet praktiškai jiems reikia daug daugiau fizinių kubitų nei šiandien turime prieinamų – kalbama apie tūkstančius fizinių kubitų vienam „logiškam“ kubitui.
Trečia problema – duomenų įkėlimas. Norint kvantiniame kompiuteryje apdoroti klasikinius duomenis, juos reikia užkoduoti į kvantines būsenas, o šis procesas (vadinamas state preparation) pats savaime gali užtrukti tiek laiko, kad panaikina bet kokį teorinį pagreitį. Tai vadinama „input-output bottleneck“ problema ir yra viena iš rimčiausių kliūčių praktiniam pritaikymui.
Įrankiai, su kuriais galima pradėti eksperimentuoti
Gera žinia ta, kad nereikia turėti savo kvantinio kompiuterio garaže, norint pabandyti. Kelios prieinamos platformos:
- Qiskit (IBM) – Python biblioteka, leidžianti kurti kvantines grandines ir paleisti jas tiek simuliatoriuose, tiek realiuose IBM kvantiniuose procesoriuose per debesų prieigą.
- PennyLane (Xanadu) – orientuota būtent į kvantinį mašininį mokymąsi, gerai integruojasi su PyTorch ir TensorFlow, leidžia lengvai kurti hibridinius modelius.
- TensorFlow Quantum (Google) – sujungia Cirq kvantines grandinių bibliotekas su TensorFlow ekosistema.
- Amazon Braket – debesijos paslauga, suteikianti prieigą prie kelių skirtingų kvantinių aparatinių sprendimų (IonQ, Rigetti ir kt.) per vieną sąsają.
Jei norite pradėti praktiškai, patariu pirmiausia paimti PennyLane ir pabandyti sukurti paprasčiausią kvantinį klasifikatorių ant mažo duomenų rinkinio, tarkim, Iris duomenų bazės. Tai leidžia pajusti, kaip veikia parametrizuotos grandinės, neišleidžiant pinigų realiam kvantiniam aparatui.
Praktinis patarimas pradedantiesiems
Nepradėkite nuo bandymo iš karto pritaikyti kvantinį modelį dideliam, realaus pasaulio duomenų rinkiniui – tai beveik garantuotai nusivilsite. Šiandieninė kvantinė aparatinė įranga turi kelias dešimtis ar šimtus kubitų, tad prasminga dirbti su maža dimensija ir aiškiai apibrėžtu uždaviniu. Geriau suprasite koncepciją, jei pradžioje treniruositės ant simuliatoriaus, o tik vėliau bandysite realų aparatą – ten paaiškės, kiek triukšmas iš tiesų veikia rezultatus.
Kaip skiriasi hibridinis ir „grynasis“ kvantinis požiūris
Šiandien praktiškai visi realūs kvantinio mašininio mokymosi sprendimai yra hibridiniai. Tai reiškia, kad duomenų paruošimas, optimizavimo ciklo valdymas ir dažnai net dalis skaičiavimų vyksta klasikiniame kompiuteryje, o kvantinis procesorius atlieka tik specifinę, siaurą užduotį – pavyzdžiui, apskaičiuoja tam tikrą kernel funkciją arba grąžina tikimybinį pasiskirstymą, kuris naudojamas tolimesniems skaičiavimams.
Toks modelis primena, kaip GPU naudojamas kaip specializuotas priedas prie CPU – kvantinis procesorius tampa tarsi „koprocesorius“ specifinėms operacijoms. Ateityje, kai atsiras pilnaverčiai klaidas taisantys kvantiniai kompiuteriai, balansas gali pasikeisti, bet artimiausius metus (o gal ir dešimtmetį) tikėtina, kad hibridinis modelis išliks dominuojantis.
Vietoje pabaigos: ką iš tikrųjų reikia žinoti prieš investuojant laiką
Jei dirbate duomenų mokslo ar mašininio mokymosi srityje ir svarstote, ar verta gilintis į kvantinį mašininį mokymąsi, mano rekomendacija tokia – žiūrėkite į tai kaip į ilgalaikę investiciją į supratimą, o ne kaip į įrankį, kurį panaudosite kito projekto terminui. Šiandien realaus verslo pritaikymo atvejų, kur kvantinis modelis aiškiai lenkia klasikinį, yra labai nedaug, ir dauguma jų susiję su labai specifinėmis sritimis – chemija, materialų modeliavimu, tam tikrais kombinatoriniais optimizavimo uždaviniais.
Tačiau pati sritis vystosi greitai, o kompanijos kaip IBM, Google, IonQ ir Rigetti kasmet didina kubitų skaičių ir mažina klaidų lygį. Jei jau dabar suprasite pagrindus – kvantines grandines, parametrizuotus modelius, hibridinę optimizaciją – būsite pasiruošę, kai (ir jei) technologija pasieks tašką, kur pranašumas taps akivaizdus plačiajai auditorijai, ne tik siauram tyrėjų ratui.
Konkretus patarimas tiems, kas nori pradėti šiandien: skirkite savaitgalį PennyLane dokumentacijai, pabandykite sukurti paprastą kvantinį klasifikatorių, palyginkite jo rezultatus su klasikiniu SVM ant to paties duomenų rinkinio. Nesitikėkite stebuklo – tikėtina, kad klasikinis modelis šiuo metu vis dar laimės. Bet supratimas, kaip veikia šis kitoks skaičiavimo būdas, vertas laiko investicijos, nes kai technologija subręs, jūs jau žinosite, apie ką kalbama, o ne skaitysite antraštes ir bandysite suprasti, kas tas kubitas.






