  ̌      ̌    P 48 (2020/2021) 3 27 Kratek pregled kvantnega strojnega učenja B Ž̌ Kvantno strojno učenje je interdisciplinarno raz- iskovalno področje. Da bi ga lahko razumeli, se bomo posebej posvetili najprej strojnemu učenju in nato kvantnemu računanju. Šele nato bomo po- gledali, kako sta področji prepleteni in zakaj je smi- selno govoriti o kvantnem strojnem učenju. Uvod Strojno učenje je proučevanje algoritmov za opisova- nje pojavov na podlagi podatkov. Gre torej za nabor algoritmov, s pomočjo katerih lahko iz podatkov iz- luščimo uporabno znanje v obliki verjetnostnih po- razdelitev, relacij, pravil ali enačb. Osnovna lastnost algoritmov strojnega učenja je neodvisnost od inter- pretacije podatkov, zato je domena njihove uporabe zelo široka. Algoritmi strojnega učenja so postali ne- pogrešljivo orodje v industriji, logistiki, ekonomiji, medicini in farmaciji, kjer se uporabljajo za medi- cinsko diagnostiko, zaznavanje prevar, za določanje priporočil, prevajanje, razpoznavanje govora in pi- save, klasifikacijo tekstov in slik, za nadzor dinamič- nih procesov in sistemov, igranje iger, avtonomno vožnjo. Najpomembnejši prednosti strojnega učenja v primerjavi z drugimi pristopi sta, da za uspešno rešitev problema le-to ne potrebuje poznavanja po- drobnosti in da se dobljena rešitev izboljšuje s koli- čino podatkov. Poleg zmogljivejših računalnikov je ravno hitro naraščanje količine podatkov tisto, ki je omogočilo zadnji razcvet strojnega učenja. Uspeh slednjega pa je še povečal potrebo po zmogljivejših računalnikih, kar je tudi najpomembnejši motiv za pospešen razvoj kvantnih računalnikov. Čeprav bi lahko trdili, da so vsi osebni računal- niki kvantni, je razlikovanje med klasičnimi računal- niki in kvantnimi računalniki upravičeno. Bistvena razlika je v tem, da klasični računalniki operirajo s klasično informacijo, zakodirano v niz ničel in enic, medtem ko kvantni računalniki manipulirajo osnov- ne kvantnomehanske objekte, valovne funkcije. Prednost kvantnih računalnikov temelji na dejstvu, da je opis valovnih funkcij s pomočjo klasičnih ra- čunalnikov zelo zahteven. Najpomembnejša naloga teoretičnega kvantnega računalništva je torej iskanje načinov izražanja zahtevnih klasičnih operacij s po- močjo dinamike valovnih funkcij, ki jo lahko simuli- ramo s kvantnim računalnikom. Najznamenitejši pri- mer klasično zahtevne operacije, za katero obstaja učinkovitejši kvantni algoritem, je faktorizacija šte- vil. Toda ta, kot tudi drugi znani kvantni algoritmi, potrebuje zmogljiv kvantni računalnik, ki bi mu uspelo manipulirati valovno funkcijo dovolj dolgo, kar trenutno še ni izvedljivo. Težava pri obvlado- vanju valovne funkcije je, da mora biti dovolj dobro izolirana od okolice, torej samih naprav, ki jo spremi- njajo in na koncu izvedejo meritev. Vsak šum, ki se pojavi zaradi interakcije z okolico, se zelo hitro raz- širi in pokvari želeni algoritem. Trenutne naprave niso primerne za znane kvantne algoritme, ki potre- bujejo veliko kvantnih operacij. Ravno nasprotno je s strojnim učenjem, ki je prilagojeno za delo z ve- likimi količinami zašumljenih podatkov. Algoritmi strojnega učenja tako predstavljajo naravno (ustre- zno) izbiro za uporabo trenutnih kvantnih računalni- kov. Vzajemna uporabnost strojnega učenja in kvan- tnega računanja je vzpodbudila prepletenost obeh področij. Govorimo ne le o uporabi kvantnih raču- nalnikov za pohitritev klasičnih algoritmov strojnega učenja in prenosa slednjih v kvantno domeno, am- pak o splošni razširitvi obzorja obeh področij v smi- slu uporabe teoretičnih orodij in zastavljanja novih vprašanj. Raziskovalno področje kvantnega strojne- ga učenja lahko glede na algoritem (klasični ali kvan- tni) in podatke (klasični ali kvantni) ločimo na štiri podpodročja, kot prikazuje slika 1.   ̌      ̌    P 48 (2020/2021) 328 SLIKA 1. Razdelitev področja kvantnega strojnega učenja glede na algo- ritem in podatke Opisovanje klasičnih podatkov s klasičnimi algo- ritmi spada v področje kvantnega strojnega učenja. Sem uvrstimo raziskave, ki uporabljajo metode z enega področja za reševanje problemov na drugem področju. Metode za kompresijo kvantnih stanj lah- ko npr. uporabimo tudi za kompresijo globokih ne- vronskih mrež, kar ima zelo veliko praktično vre- dnost zaradi prenosa globokih nevronskih mrež na računsko manj zmogljive naprave. Iste metode se lahko uporabljajo tudi za reševanje tipičnih proble- mov strojnega učenja, kot so klasifikacija, generira- nje novih podatkov ali prevajanje. Po drugi strani pa predstavljajo klasične metode strojnega učenja, kot so Boltzmanovi stroji, nevronske mreže in avto- regresivni modeli, nov variacijski pristop k simulaciji večdelčnih kvantnih sistemov, ki omogoča učinkovit opis visoko prepletenih kvantnih stanj. Modeli stroj- nega učenja so uporabni tudi pri zaznavanju faznih prehodov. V prvo podpodročje kvantnega strojnega učenja lahko uvrstimo tudi klasifikacijo ekspresivno- sti nevronskih mrež s pomočjo metod za klasifika- cijo kvantnih stanj ter druge formalne povezave med koncepti strojnega učenja in kvantne mehanike. Algoritmi strojnega učenja pa niso uporabni le za obdelavo klasičnih podatkov, ampak tudi kvantnih. Na tem področju lahko izpostavimo dve uporabi strojnega učenja. Prva je kalibracija eksperimentov. Tukaj gre za majhne prilagoditve eksperimentalnih naprav tako, da so pravilno naravnane. Velikokrat je to zelo dolgotrajen postopek, ki ga lahko avto- matiziramo s strojnim učenjem. Poleg kalibracije je strojno učenje uporabno tudi pri določanju valovne funkcije ali pri kvantni tomografiji. Kvantna tomo- grafija se ukvarja z vprašanjem, kako lahko naju- činkoviteje izmerimo stanje kvantnega sistema (va- lovno funkcijo). Število meritev, ki jih moramo opra- viti, da določimo stanje kvantnega sistema, zelo hi- tro narašča z njegovo velikostjo. Zato je kvantna to- mografija večdelčnih kvantnih sistemov zelo težak problem, pri katerem lahko uporaba strojnega uče- nja bistveno zmanjša število potrebnih meritev. Trenutno najaktivnejše področje kvantnega stroj- nega učenja je uporaba kvantnih računalnikov za re- ševanje problemov strojnega učenja. Kvantni raču- nalnik pri tem uporabljamo kot računski pospeševal- nik (podobno kot GPU ali TPU), ki implementira za- poredje kvantnih vrat z več parametri. Ti parame- tri se podobno kot pri standardnem strojnem uče- nju nevronskih mrež prilagajajo glede na vhodne po- datke. Poleg optimizacije parametrov kvantnih vrat sta pri tem pristopu zelo pomembna tudi kodiranje klasične informacije v kvantno stanje ter meritev. Čeprav je opisani postopek eksperimentalno zelo zahteven, so kvantne računalnike že uporavili za re- ševanje lažjih problemov strojnega učenja, kot je kla- sifikacija števk (MNIST). Čeprav so ti problemi s stali- šča standardnih metod strojnega učenja zelo prepro- sti, moramo poudariti, da se zmogljivost kvantnih algoritmov hitro veča z velikostjo kvantnih računal- nikov. Ta pa v zadnjih letih močno narašča, zato je zelo težko napovedati, kdaj bodo kvantni algoritmi uspešnejši od klasičnih. Zadnje podpodročje kvantnega strojnega učenja, obdelava kvantnih podatkov s kvantnimi algoritmi, je zaenkrat še v povojih. Sem spadajo naloge, kot sta obdelava rezultatov kvantnih eksperimentov ali pomoč pri kvantni kriptografiji. Prednost tega pri- stopa je neposredna manipulacija valovne funkcije brez vmesnega koraka meritve, s katerim lahko za- radi prisotnosti šuma izgubimo veliko informacije. Predstavljena podpodročja kvantnega strojnega učenja se med seboj prepletajo in dopolnjujejo, nova dognanja pa vplivajo tudi na druga širša področja, kot so fizika, kemija in farmacija. Ravno uporabnost in splošnost kvantnega strojnega učenja sta glavni vzrok za vse večje zanimanje strokovne in širše jav- nosti za kvantno strojno učenje, ki se mu obeta zani- miva prihodnost. ˆ ˆ ˆ