Q & AI: een duizelingwekkende symbiose
De combinatie tussen AI en kwantumtechnologie bestaat eigenlijk al zo’n dertig jaar. Begin jaren negentig zocht fysicaprofessor Elizabeth Behrman al naar manieren om de twee spitstechnologieën met elkaar te laten samenspelen. Toen dacht de wetenschappelijke wereld nog dat die twee als water en vuur waren. Vandaag is het een evidentie om de principes van AI en kwantumtechnologie op elkaar toe te passen.
Kwantumalgoritmen
Een algoritme is simpelweg een set instructies die je moet volgen om een bepaald probleem op te lossen. Elke stap van die set instructies kan daarbij uitgevoerd worden op een conventionele computer.
Een kwantumalgoritme verschilt in dat opzicht niet erg veel van een “gewoon algoritme”, aangezien het een speciaal soort algoritme is dat je kan uitvoeren op een kwantumcomputer.
Hoewel in theorie alle klassieke algoritmen kunnen worden berekend op een kwantumcomputer, wordt de term kwantumalgoritme meestal gebruikt voor algoritmen die van nature uit al bepaalde kwantumeigenschappen zoals opeenstapeling of verstrengeling manifesteren.
Het algoritme van Shor is een van de meest bekende kwantumalgoritmen, en wordt gebruikt om razendsnel de priemgetallen van eender welk getal te berekenen.
Daarnaast bestaat er ook nog het algoritme van Grover, dat vaker in datawetenschappelijke context gebruikt wordt. Zo wordt dit algoritme aangewend om een ongestructureerde database of ongeordende lijst te doorzoeken. Beide algoritmen berekenen probleemstellingen ook exponentieel sneller dan conventionele algoritmen, wat hen uiterst geschikt maakt voor kwantumcomputers.
Puzzelstukjes
Kwantumcomputers hebben vandaag de dag nog maar weinig commerciële toepassingen. Ze zouden kunnen worden ingezet in de ruimtevaart, voor het uitvinden van nieuwe medicijnen en bij financiële simulaties, maar er bestaat tot op vandaag nog niet zoiets als een kwantumapp.
Daar zijn verschillende redenen voor, maar de belangrijkste is dat quantum bits in erg koude en steriele omstandigheden opgeslagen moeten worden zodat ze hun kwantumeigenschappen blijven behouden.
Volgens Johannes Otterbach, fysicus bij Rigetti computing, een kwantumstart-up in Berkeley, Californië, passen AI en kwantumtechnologie als puzzelstukjes in elkaar. “Er bestaat een natuurlijke combinatiemogelijkheid tussen de intrinsieke statistische aard van quantum computing en kunstmatige intelligentie.”
Ook volgens George Musser van Quanta Magazine zetten Google, Microsoft, IBM, en andere technologiegiganten nu sterk in op quantum machine learning.
Neurale netwerken
De voornaamste taak van een neuraal netwerk, of dat nu conventioneel of van kwantumaard is, is om patronen te herkennen. Een neuraal netwerk is geïnspireerd op het menselijke brein, en is een raster van verschillende neuronen.
De neuronen zitten in verschillende laagjes geordend. Een eerste laagje aanvaardt een bepaalde input zoals de pixels van een beeld. De tussenlaagjes houden zich bezig met de creatie van inputcombinaties zoals de voorstelling van bepaalde structuren zoals geometrische vormen van een bepaald beeld. Het allerlaatste laagje brengt dan de output voort, wat een accurate voorstelling is van het beeldbestand.
Bij een neuraal netwerk is het van groot belang dat de algoritmen niet op voorhand vastgelegd zijn, maar continu bijgestuurd worden aan de hand van feedback loops. Het neuraal netwerk krijgt bijvoorbeeld een aantal beelden ingevoerd die kunnen aangeduid worden als “kat” of “puppy”.
Voor elk beeld voegt het neuraal netwerk een label toe, en dubbelcheckt het of dat label daadwerkelijk klopt. Indien dat niet het geval was, stuurt het neurale netwerk zichzelf lichtjes bij. Initieel gokt het neurale netwerk in feite maar wat, maar daarna wordt het giswerk van dat neurale netwerk steeds accurater.
Na een tijdje kent het alle huisdieren die het moest kennen. Een gedegen neuraal netwerk kan zo’n miljard verbindingen hebben met elkaar; die moeten allemaal bijgestuurd en gefinetuned worden indien nodig.
“Quantum deep learning”
Op een conventionele computer worden al die verbindingen vertegenwoordigd door een gigantische matrix van cijfers; het neurale netwerk runnen, betekent dus ook dat je matrixalgebra zal moeten uitvoeren. (Ja, mij schrok het ook af, maar je hebt er gelukkig computers voor.) Dergelijke berekeningen worden meestal uitgevoerd op een grafische processing unit, een processor die geschikter is voor het verwerken van neurale netwerken.
Hierin schuilt het grote voordeel van kwantumcomputers; Ze zijn namelijk in staat om die neurale matrices bliksemsnel te verwerken. Kwantumcomputers kunnen grote matrices en vectoren exponentieel sneller verwerken dan conventionele computers. AI kan er dus sterk op vooruitgaan met behulp van kwantumtechnologie.
Dat heeft eigenlijk te maken met de speciale eigenschappen van kwantummechanica. Bij conventionele computers kan een bit ofwel 0 of 1 zijn. Bij kwantumtechnologie is een quantum bit of qubit 0 en 1 tegelijkertijd. Twee qubits hebben dus vier mogelijke vormen waarin ze zich kunnen voordoen: 0/0, 1/1, 0/1 en 1/0. Elk van die qubits heeft een bepaald “gewicht” dat kan gebruikt worden om een neuron te vertegenwoordigen in een neuraal netwerk.
Als je een derde qubit toevoegt, kan je zelfs acht neuronen vertegenwoordigen, en met een vierde qubit 16, enzoverder. De verwerkingscapaciteit groeit dus exponentieel aan naarmate je qubits toevoegt, wat dus niet het geval is bij conventionele computers.
Begin dit jaar stelde Dario Gil van het IBM AI-onderzoeksteam alvast een aantal veelbelovende resultaten voo op EmTech Digital. Het IBM-team had een simpel classificatie-experiment uitgevoerd op een kwantumcomputer. Dergelijke tests worden wel vaker gerund voor machine en deeplearningdoeleinden, maar dit experiment was wel heel speciaal omdat IBM in eerste instantie de qubits niet met elkaar had laten verstrengelen.
Het experiment bestond erin om verschillende stipjes van dezelfde kleuren in gelijkaardige groepjes onder te verdelen. De eerste keer dat het experiment uitgevoerd werd, moest het kwantumneurale netwerk een foutenpercentage van vijf procent optekenen.
De tweede keer dat IBM het experiment uitvoerde, zorgde het ervoor dat de qubits wel met elkaar verstrengeld raakten. Dat leverde hen een foutenpercentage van 2,5 procent op, de helft van hun eerste poging. Dat suggereert nogmaals het grote potentieel van kwantumcomputers voor AI en vooral deep learning.
De combinatie tussen AI en kwantumtechnologie bestaat eigenlijk al zo’n dertig jaar. Begin jaren negentig zocht fysicaprofessor Elizabeth Behrman al naar manieren om de twee spitstechnologieën met elkaar te laten samenspelen. Toen dacht de wetenschappelijke wereld nog dat die twee als water en vuur waren. Vandaag is het een evidentie om de principes van AI en kwantumtechnologie op elkaar toe te passen.
Kwantumalgoritmen
Een algoritme is simpelweg een set instructies die je moet volgen om een bepaald probleem op te lossen. Elke stap van die set instructies kan daarbij uitgevoerd worden op een conventionele computer.
Een kwantumalgoritme verschilt in dat opzicht niet erg veel van een “gewoon algoritme”, aangezien het een speciaal soort algoritme is dat je kan uitvoeren op een kwantumcomputer.
Hoewel in theorie alle klassieke algoritmen kunnen worden berekend op een kwantumcomputer, wordt de term kwantumalgoritme meestal gebruikt voor algoritmen die van nature uit al bepaalde kwantumeigenschappen zoals opeenstapeling of verstrengeling manifesteren.
Het algoritme van Shor is een van de meest bekende kwantumalgoritmen, en wordt gebruikt om razendsnel de priemgetallen van eender welk getal te berekenen.
Daarnaast bestaat er ook nog het algoritme van Grover, dat vaker in datawetenschappelijke context gebruikt wordt. Zo wordt dit algoritme aangewend om een ongestructureerde database of ongeordende lijst te doorzoeken. Beide algoritmen berekenen probleemstellingen ook exponentieel sneller dan conventionele algoritmen, wat hen uiterst geschikt maakt voor kwantumcomputers.
Puzzelstukjes
Kwantumcomputers hebben vandaag de dag nog maar weinig commerciële toepassingen. Ze zouden kunnen worden ingezet in de ruimtevaart, voor het uitvinden van nieuwe medicijnen en bij financiële simulaties, maar er bestaat tot op vandaag nog niet zoiets als een kwantumapp.
Daar zijn verschillende redenen voor, maar de belangrijkste is dat quantum bits in erg koude en steriele omstandigheden opgeslagen moeten worden zodat ze hun kwantumeigenschappen blijven behouden.
Volgens Johannes Otterbach, fysicus bij Rigetti computing, een kwantumstart-up in Berkeley, Californië, passen AI en kwantumtechnologie als puzzelstukjes in elkaar. “Er bestaat een natuurlijke combinatiemogelijkheid tussen de intrinsieke statistische aard van quantum computing en kunstmatige intelligentie.”
Ook volgens George Musser van Quanta Magazine zetten Google, Microsoft, IBM, en andere technologiegiganten nu sterk in op quantum machine learning.
Neurale netwerken
De voornaamste taak van een neuraal netwerk, of dat nu conventioneel of van kwantumaard is, is om patronen te herkennen. Een neuraal netwerk is geïnspireerd op het menselijke brein, en is een raster van verschillende neuronen.
De neuronen zitten in verschillende laagjes geordend. Een eerste laagje aanvaardt een bepaalde input zoals de pixels van een beeld. De tussenlaagjes houden zich bezig met de creatie van inputcombinaties zoals de voorstelling van bepaalde structuren zoals geometrische vormen van een bepaald beeld. Het allerlaatste laagje brengt dan de output voort, wat een accurate voorstelling is van het beeldbestand.
Bij een neuraal netwerk is het van groot belang dat de algoritmen niet op voorhand vastgelegd zijn, maar continu bijgestuurd worden aan de hand van feedback loops. Het neuraal netwerk krijgt bijvoorbeeld een aantal beelden ingevoerd die kunnen aangeduid worden als “kat” of “puppy”.
Voor elk beeld voegt het neuraal netwerk een label toe, en dubbelcheckt het of dat label daadwerkelijk klopt. Indien dat niet het geval was, stuurt het neurale netwerk zichzelf lichtjes bij. Initieel gokt het neurale netwerk in feite maar wat, maar daarna wordt het giswerk van dat neurale netwerk steeds accurater.
Na een tijdje kent het alle huisdieren die het moest kennen. Een gedegen neuraal netwerk kan zo’n miljard verbindingen hebben met elkaar; die moeten allemaal bijgestuurd en gefinetuned worden indien nodig.
“Quantum deep learning”
Op een conventionele computer worden al die verbindingen vertegenwoordigd door een gigantische matrix van cijfers; het neurale netwerk runnen, betekent dus ook dat je matrixalgebra zal moeten uitvoeren. (Ja, mij schrok het ook af, maar je hebt er gelukkig computers voor.) Dergelijke berekeningen worden meestal uitgevoerd op een grafische processing unit, een processor die geschikter is voor het verwerken van neurale netwerken.
Hierin schuilt het grote voordeel van kwantumcomputers; Ze zijn namelijk in staat om die neurale matrices bliksemsnel te verwerken. Kwantumcomputers kunnen grote matrices en vectoren exponentieel sneller verwerken dan conventionele computers. AI kan er dus sterk op vooruitgaan met behulp van kwantumtechnologie.
Dat heeft eigenlijk te maken met de speciale eigenschappen van kwantummechanica. Bij conventionele computers kan een bit ofwel 0 of 1 zijn. Bij kwantumtechnologie is een quantum bit of qubit 0 en 1 tegelijkertijd. Twee qubits hebben dus vier mogelijke vormen waarin ze zich kunnen voordoen: 0/0, 1/1, 0/1 en 1/0. Elk van die qubits heeft een bepaald “gewicht” dat kan gebruikt worden om een neuron te vertegenwoordigen in een neuraal netwerk.
Als je een derde qubit toevoegt, kan je zelfs acht neuronen vertegenwoordigen, en met een vierde qubit 16, enzoverder. De verwerkingscapaciteit groeit dus exponentieel aan naarmate je qubits toevoegt, wat dus niet het geval is bij conventionele computers.
Begin dit jaar stelde Dario Gil van het IBM AI-onderzoeksteam alvast een aantal veelbelovende resultaten voo op EmTech Digital. Het IBM-team had een simpel classificatie-experiment uitgevoerd op een kwantumcomputer. Dergelijke tests worden wel vaker gerund voor machine en deeplearningdoeleinden, maar dit experiment was wel heel speciaal omdat IBM in eerste instantie de qubits niet met elkaar had laten verstrengelen.
Het experiment bestond erin om verschillende stipjes van dezelfde kleuren in gelijkaardige groepjes onder te verdelen. De eerste keer dat het experiment uitgevoerd werd, moest het kwantumneurale netwerk een foutenpercentage van vijf procent optekenen.
De tweede keer dat IBM het experiment uitvoerde, zorgde het ervoor dat de qubits wel met elkaar verstrengeld raakten. Dat leverde hen een foutenpercentage van 2,5 procent op, de helft van hun eerste poging. Dat suggereert nogmaals het grote potentieel van kwantumcomputers voor AI en vooral deep learning.
