IBM op de ‘5 in 5’ voorspellingen voor 2019
Jeff Welser, vice-president en lab director bij IBM Research – Almaden, zitten met Tonya Hal om te praten over IBM ‘ s nieuwste 5 in 5 aankondiging.
Afgelopen week is de kwestie van de Aard magazine bevatte een aantal intrigerende werk van IBM en MIT betrekking tot het implementeren van machine learning op een quantum computer.
Het werk suggereert aspecten van machine learning waar quantum zou eigenlijk een meetbaar voordeel ten opzichte van klassieke, betekenis, elektronische en computers.
Of dat leidt tot een “killer app” voor quantum is minder zeker. Het is niet genoeg om iets te doen in quantum computing dat is moeilijk te doen in de klassieke computing; het is iets dat de moeite waard.
Onderzoekers bij IBM T. J. Watson Research Center, met inbegrip van Vojtěch Havlíček, Antonio D. Córcoles, Kristan Temme, Abhinav Kandala, Jerry M. Chow en Jay M. Gambetta, samen met Aram W. Harrow van MIT ‘ s Center voor Theoretische Fysica, de auteur van de Aard papier, titel, Begeleid leren met quantum-verbeterde functie ruimtes. Er is een apart artikel van aanvullend materiaal en dat is zeker de moeite waard om te lezen. (Abonnement voor de Natuur, of individueel artikel kopen, is vereist voor het lezen van de artikelen.)
Ook: IBM hits quantum computing mijlpaal, kunnen zien ‘Quantum’ Voordeel in 2020
Er is ook een blog, geschreven door Temme en Gambetta.
De onderzoekers aangetoond machine learning draait op IBM ‘ s “IBM Q” quantum machine, en ze deed het met slechts twee qubits, dus het is een praktisch systeem dat bediend vandaag de dag, zonder te hoeven wachten voor de tientallen van qubits dat kan online komen in de komende tien jaar.
IBM ‘ s twee-qubit kwantum machine codeert gegevens in een “feature kaart,” met twee lagen van Hadamard poorten, afgewisseld met zogenaamde fase-poorten.
IBM.
Met deze qubits, bouwden ze een classifier, een programma dat leert het toewijzen van gegevens aan de verschillende categorieën door het uitzoeken van de patronen in de gegevens. Ze vonden dat ze konden berekenen van een meer complexe functie dan die van conventionele computers als ze bouwden hun classifiers met behulp van twee van de zogenaamde “Hadamard gates,” een transformatie van de gegevens die verwant is aan een Fourier transformatie.
De versie van machine learning die zij nastreven in dit geval is het niet diep leren, wat van oudsher heet een “ondiepe” netwerk, een grote versie van de “support vector machine” of SVM, dat werd geïntroduceerd in de jaren 1990 door Vladimir Vapnik.
De SVM heeft een “kern” van de gewichten voor de transformatie van input van gegevens in een “feature kaart”, zodat de gegevens kunnen worden resoluut van elkaar gescheiden en in verschillende emmers per categorie van ding. Havlíček en collega ‘ s gingen op zoek naar een functie kaart dat is moeilijk te berekenen op een klassieke computer. Zij vonden een aantal, zij het rapport, dat de meerdere Hadamard poorten hierboven vermeld.
Het is de vraag of iemand wil een enkel, uiterst complexe functie kaart. Het gebied van diep leren heeft voor vele jaren besteed veel moeite te doen gelden op de minderwaardigheid van de SVM aanpak, en van soortgelijke kernel benaderingen, in het voordeel van de diepe neurale netwerken zoals convolutional neurale netwerken (CNNs), of recurrente neurale netwerken (RNNs).
Ook: Intel biedt AI doorbraak in quantum computing
De reden, zoals uitgelegd door de Universiteit van Montreal MILA instituut Yoshua Bengio en collega ‘ s, in 2013, is dat diepe netwerken veroorloven hiërarchieën van de representatie. Het hele punt van diep leren is dat wordt beperkt door computationele beperkingen krachten een discipline op de diepe netwerk dat maakt het produceren van abstracties die leiden tot betekenisvolle generalisatie.
Als Bengio, schrijft, “De begrippen die handig zijn voor het beschrijven van de wereld om ons heen kan gedefinieerd worden in termen van andere concepten, in een hiërarchie, met meer abstracte concepten hoger in de hiërarchie, gedefinieerd in termen van minder abstract.”
Intelligentie, in termen van diep leren vormen van machine learning, komt uit dwang. Constraint forces niveaus van abstractie die leiden tot meer geavanceerde weergaven van gegevens. De IBM-onderzoekers zijn ook op zoek naar de bouw van een voorstelling, alleen in hun geval, een enkele, zeer moeilijk te berekenen zijn voorzien kaart.
Moet lezen
‘AI is heel, heel stom,’ zegt Google AI leider (CNET)Hoe krijg je al die Google Assistent van de nieuwe stemmen nu (CNET)Unified Google AI afdeling een duidelijk signaal van AI ‘ s toekomst (TechRepublic)Top 5: Dingen om te weten over AI (TechRepublic)
Dat zeer moeilijk te berekenen zijn voorzien kaart zullen te kampen hebben met een blijvende fascinatie met het fenomeen van de diepte van de diepe netwerken. Bijvoorbeeld, Stanford University ‘s Ben Poole en collega’ s hebben in de afgelopen jaren onderzocht de geometrie van wat er gebeurt met de feature vectoren als ze voorbij een diepe neurale netwerk. Ze vinden dat het “legio,” de geometrische representatie van de gegevens, van vorm verandert in de intrigerende manieren als het gaat om chaos naar orde weer langs de lengte van een diepe neurale netwerk.
Die is te zeggen, de huidige leeftijd is gefascineerd door de diepte in een diepe neurale netwerk, en door wat gebeurt er met signalen als ze zijn omgezet in een multi-stage proces. Het gebied is gegrepen door de vraag van de reden waarom een computer komt aan de hiërarchieën van de voorstelling, niet alleen dat het met succes kan classificeren.
De IBM classifier kan ook zijn een aantal interessante dingen te zeggen over voorstellingen en hoe ze gevormd worden, maar dat lijkt niet de focus van het huidige rapport. Havlíček en collega ‘ s bevestigen dat ze nog niet hebben gevonden de quantum voordeel dat ze willen, “omdat we tot een minimum beperkt de omvang van het probleem gebaseerd op onze huidige mogelijkheden van de hardware, met slechts twee qubits van quantum computing capaciteit, die kan worden gesimuleerd op een klassieke computer.”
Echter, dringen zij aan een toekomst classifier “classificeren veel meer complexe datasets dan alles wat een klassieke computer kon verwerken,” en daarom, “een veelbelovend pad naar voren.”
In een bijgevoegd stuk in Nature, Maria Schuld, met de Quantum Research Group aan de School van Chemie en Fysica aan de Universiteit van KwaZulu-Natal in Durban, Zuid-Afrika, beschrijft hoe haar research group kwamen tot een soortgelijke ontdekking te Havlíček en collega ‘ s. In haar beschrijving van hun werk, Schuld vraagt, “Zou deze technieken zijn goed genoeg om te verslaan bijna 30 jaar het klassieke methoden?”
Als dat zo is, zou dit betekenen dat “de wanhopige zoektocht naar een ‘killer application’ voor quantum computers zou worden, ‘ merkt ze, alvorens toe te voegen, “Maar het antwoord op deze vraag is waarschijnlijk ingewikkelder.”
Zal IBM hebben een grote voorsprong in de komende tien jaar? Laat me weten wat je ervan vindt in de comments sectie.
Vorige en aanverwante dekking:
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante artikelen:
Google AI surft op het “gamescape” te veroveren spel theorie
Dit is wat AI eruit ziet (zoals geschetst door AI)
Google DeepMind teams met toonaangevende 3D-game dev platform
DeepMind AI plekken vroege tekenen van de ziekte van het oog
Verwante Onderwerpen:
IBM
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software