بر اساس نتایج مجموعه مطالعاتی که به تازگی انتشار یافته‌٬ رایانه‌های کوانتومی آینده از آن پتانسیلی برخوردار خواهند بود که موجب ارتقای چشم‌گیری در هوش مصنوعی شوند. این رایانه‌ها که قابلیت یادگیری دارند، مجموعه داده‌های عظیمی را نسبت به رایانه‌های کلاسیک مورد هجوم قرار می‌دهند.

رایانه‌های کوانتومی که قادرند اطلاعات را در حالات کوانتومی «فازی» (حالاتی که این قابلیت را دارند تا به شکل همزمان صفر و یک باشند) رمزگذاری کنند٬ این پتانسیل را دارند تا در حل مسائلی همچون شکستن کلیدهای رمزنگاری که فراتر از دسترس رایانه‌های کلاسیکی است بکار گرفته شوند.

الگوریتم‌هایی که تاکنون در مورد رایانه‌های کوانتومی توسعه داده شده،‌ معمولاً بر روی مسائلی همچون شکستن کلیدهای رمزنگاری یا جستجوی یک لیست (کارهایی که معمولاً نیازمند سرعت هستند و نه هوش بسیار زیاد) متمرکز شده‌اند. اما در مجموعه مقالاتی که به صورت آنلاین این ماه در سرورarXiv (۱و۲و۳) قرار گرفته است٬ ست لوید (Seth Lloyd) از موسسه فناوری ماساچوست در کمبریج و همکارانش موفق شده‌اند تا یک پیچ‌و تاب کوانتومی (quantum twist) را بر روی یک هوش مصنوعی قرار دهند.

این تیم٬ نسخه‌ا‌ی کوانتومی از «یادگیری ماشینی» را توسعه داده‌اند؛ نوعی هوش مصنوعی که در آن برنامه‌ها از تجارب قبلی یاد گرفته می‌شوند تا به تدریج الگوهای نتیجه‌شده‌ی بهتری از داده‌ها حاصل شود. یادگیری ماشینی کاربردهای متداولی دارد، از فیلترسازی هرزنامه‌ها در ایمیل‌ها گرفته تا پیشنهادات خرید آنلاین. ابداعی که این تیم به آن دست یافته، از مزایای محاسبات کوانتومی برای سرعت بخشیدن به وظایف ماشین یادگیری به شکل تصاعدی بهره می‌برد.

جهش کوانتومی

در قلب طرحی که این تیم ارائه داده، الگوریتم ساده‌تری وجود دارد که لوید و همکارانش در سال ۲۰۰۹ توسعه داده‌اند. این الگوریتم بعنوان راه‌حلی سریع برای سیستم‌ معادلات خطی٬ که هرکدام یک عبارت ریاضی همچون x+y=4 است را در بر می‌گیرد. رایانه‌های معمول راه‌حلی ارائه می‌دهند که در آن از تعداد کسل‌کننده‌ای پردازش استفاده می‌کنند و با رشد مقادیر عددی ( و بنابراین رشد تعداد معادلات)، این راه‌حل به شکل بازدارنده‌ای دشوار می‌شود. یک رایانه‌ی کوانتومی این عمل را با فشرده‌سازی اطلاعات و انجام محاسبات بر روی ویژگی‌های منتخبِ استخراج شده از داده‌ها و سپس ترسیم آن بر روی بیت‌های کوانتومی یا کیوبیت‌ (qubits) ها انجام می‌دهد.

یادگیری ماشینیِ کوانتومی از نتایج دست‌کاری‌های جبری استفاده کرده و از آن‌ها به شکل بهینه استفاده می‌کند. داده‌ها را می‌توان به دو گروه شکست (کاری که در قلب نرم‌افزارهای تشخیص دست‌خط و تشخیص چهره انجام می‌شود) و یا در الگوها مورد جستجو قرار داد. بنابراین با این روش می‌توان مقادیر بسیار زیادی از اطلاعات را توسط تعداد نسبتاً کمی از کیوبیت‌ها دست‌کاری کرد.

به گفته‌ی لیود: «ما قادریم تمام جهان- تمامی اطلاعات که پس از لحظه‌ی مهبانگ وجود داشته است- را بر روی ۳۰۰ کیوبیت ترسیم کنیم.»

چنین فناوری‌های هوش مصنوعیِ کوانتومی می‌توانند تا به کارهایی همچون تشخیص تصاویر (جهت مقایسه تصاویر بر روی وب) یا خودکارسازی اتومبیل‌ها سرعت بخشند- زمینه‌هایی که در آن‌ها شرکت‌هایی همچون گوگل منابع چشم‌گیری را سرمایه‌گذاری کرده‌اند. (یکی از همکاران لوید٬ مسعود محسنی یکی از پژوهشگران گوگل در ونیز کالیفرنیاست)

آن‌گونه که استفانی بارز (Stefanie Barz ) از دانشگاه وین (کسی که اخیراً حل کوانتومی یک معادله را در عمل نشان داده است) می‌گوید:«دیدن این‌که پس از تمرکز غالب بر روی فاکتورگیری و جستجوهای کوانتومی٬ راه‌های جدیدی برای استفاده از رایانه‌های کوانتومیِ پیش‌رو وجود دارد واقعاً جالب است. تیم او از یک رایانه‌ی کوانتومی ساده استفاده کرده که دو کیوبیت دارد و برای یک مسئله‌ی ریاضی در سطح دبیرستان کار می‌کند: یک سیستم دو معادله‌ای (۴). گروه دیگری که توسط جیان پان (Jian Pan) از دانشگاه علم و فناوری چین در هیفی (Hefei) رهبری می‌شود کار مشابهی را با چهار کیوبیت انجام داده است(۵).

عملیاتی ساختن یادگیری ماشینِ کوانتومی بسیار دشوار خواهد بود. به گمان لیود برای یک نمایش کوچک‌مقیاس دوازده کیوبیت موردنیاز خواهد شد.

مرجع‌ها:

۱. Rebentrost, P., Mohseni, M. & Lloyd, S. preprint at http://arxiv.org/abs/1307.0471 2013).

۲. Lloyd, S., Mohseni, M. & Rebentrost, P. preprint at http://arxiv.org/abs/1307.04112013).

۳. Lloyd, S., Mohseni, M. & Rebentrost, P. preprint at http://arxiv.org/abs/1307.0401 2013).

۴. Barz, S. et al. preprint at http://arxiv.org/abs/1302.1210 (2013).

۵. Pan, J. et al. preprint at http://arxiv.org/abs/1302.1946 (2013).