211service.com
Aprendizaje automático, conozca la computación cuántica
En 1958, en los primeros días de la revolución informática, la Oficina de Investigación Naval de EE. UU. organizó una conferencia de prensa para presentar un dispositivo inventado por un psicólogo llamado Frank Rosenblatt en el Laboratorio Aeronáutico de Cornell. Rosenblatt llamó perceptrón a su dispositivo, y el New York Times informó que era el embrión de una computadora electrónica que [la Armada] espera que sea capaz de caminar, hablar, ver, escribir, reproducirse y ser consciente de su existencia.
Esas afirmaciones resultaron ser algo exageradas. Pero el dispositivo inició un campo de investigación que todavía tiene un gran potencial en la actualidad.
Un perceptrón es una red neuronal de una sola capa. Las redes de aprendizaje profundo que tanto interés han generado en los últimos años son descendientes directos. Aunque el dispositivo de Rosenblatt nunca alcanzó su potencial sobrevalorado, existe una gran esperanza de que uno de sus descendientes lo haga.
Hoy, hay otra revolución de procesamiento de información en sus inicios: la computación cuántica. Y eso plantea una pregunta interesante: ¿es posible implementar un perceptrón en una computadora cuántica y, de ser así, qué tan poderoso puede ser?
Hoy recibimos una especie de respuesta gracias al trabajo de Francesco Tacchino y sus colegas de la Universidad de Pavía en Italia. Estos muchachos han construido el primer perceptrón del mundo implementado en una computadora cuántica y luego lo han puesto a prueba en algunas tareas simples de procesamiento de imágenes.
En su forma más simple, un perceptrón toma una entrada vectorial (un conjunto de números) y la multiplica por un vector de ponderación para producir una salida de un solo número. Si este número está por encima de cierto umbral, la salida es 1 , y si está por debajo del umbral, la salida es 0 .
Eso tiene algunas aplicaciones útiles. Imagine una matriz de píxeles que produce un conjunto de niveles de intensidad de luz, uno para cada píxel, al generar imágenes de un patrón en particular. Cuando este conjunto de números se introduce en un perceptrón, produce un 1 o 0 producción. El objetivo es ajustar el vector de ponderación y el umbral para que la salida sea 1 cuando ve, digamos un gato, y 0 en todos los otros casos.
Tacchino y compañía han repetido los primeros trabajos de Rosenblatt en una computadora cuántica. La tecnología que lo hace posible es el procesador cuántico superconductor Q-5 Tenerife de IBM. Se trata de un ordenador cuántico capaz de procesar cinco qubits y programable a través de la web por cualquiera que pueda escribir un algoritmo cuántico .
Tacchino y compañía han creado un algoritmo que toma un vector clásico (como una imagen) como entrada, lo combina con un vector de ponderación cuántica y luego produce un 0 o 1 producción.
La gran ventaja de la computación cuántica es que permite un aumento exponencial del número de dimensiones que puede procesar. Mientras que un perceptrón clásico puede procesar una entrada de norte dimensiones, un perceptrón cuántico puede procesar 2 norte dimensiones.
Tacchino y compañía demuestran esto en el procesador Q-5 de IBM. Debido a la pequeña cantidad de qubits, el procesador puede manejar norte = 2. Esto es equivalente a una imagen en blanco y negro de 2x2. Luego, los investigadores preguntan: ¿esta imagen contiene líneas horizontales o verticales, o un patrón de tablero de ajedrez?
Resulta que el perceptrón cuántico puede clasificar fácilmente los patrones en estas imágenes simples. Mostramos que este modelo cuántico de un perceptrón se puede utilizar como un clasificador no lineal elemental de patrones simples, dicen Tacchino y compañía.
Continúan mostrando cómo podría usarse en patrones más complejos, aunque de una manera limitada por la cantidad de qubits que puede manejar el procesador cuántico.
Es un trabajo interesante con un potencial significativo. Rosenblatt y otros pronto descubrieron que un solo perceptrón solo puede clasificar imágenes muy simples, como líneas rectas. Sin embargo, otros científicos descubrieron que la combinación de perceptrones en capas tiene mucho más potencial. Varios otros avances y ajustes han llevado a máquinas que pueden reconocer objetos y rostros con la misma precisión que los humanos, e incluso derrotar a los mejores jugadores humanos de ajedrez y Go.
El perceptrón cuántico de Tacchino y compañía se encuentra en una etapa temprana de evolución similar. Los objetivos futuros serán codificar el equivalente de imágenes en escala de grises y combinar perceptrones cuánticos en redes de muchas capas.
El trabajo de este grupo tiene ese potencial. Nuestro procedimiento es completamente general y podría implementarse y ejecutarse en cualquier plataforma capaz de realizar computación cuántica universal, dicen.
Por supuesto, el factor limitante es la disponibilidad de procesadores cuánticos más potentes capaces de manejar un mayor número de qubits. Pero la mayoría de los investigadores cuánticos están de acuerdo en que este tipo de capacidad está cerca.
De hecho, desde que Tacchino y compañía hicieron su trabajo, IBM ya ha puesto a disposición un procesador cuántico de 16 qubits a través de la web. Es solo cuestión de tiempo antes de que los perceptrones cuánticos se vuelvan mucho más poderosos.
Ref: arxiv.org/abs/1811.02266 : una neurona artificial implementada en un procesador cuántico real