양자 머신러닝을 실제 애플리케이션에 적용할 준비가 되셨나요?

은행 기관은 고객이 은행 카드를 사용할 때 고객의 거래 행동을 이해하고 추적하는 경우가 많습니다. 예를 들어, 누군가 스웨덴으로 휴가를 간다면 현금을 들고 다니는 대신 신용카드로 지불할 수 있습니다. 그러나 다른 사람이 사용한 후에는 신용카드를 발급한 은행에서 거래 차단을 결정할 수 없습니다. 결국, 카드 긁기 기록에는 다른 사람이 카드를 도용했다는 증거가 없습니다.

은행의 기계 학습 알고리즘은 매일 수십억 건의 결정을 내립니다. 이는 컴퓨터 과학에서 "평균 분류 문제"로 알려져 있으며, 이러한 모델은 거래가 고객의 일반적인 구매 행동과 일치하는지 여부를 결정해야 합니다. 전통적인 기계 학습 알고리즘의 경우 이 문제는 주로 소비자의 지불 내역 및 은행과의 기타 상호 작용 정보를 프로파일링하여 해결되는데, 이는 계산 집약적이고 불완전한 프로세스입니다.

기술의 최전선에 있는 양자 기계 학습 알고리즘이 이러한 실용적인 응용 프로그램에 준비되어 있습니까? 업계 전문가들은 이 질문에 대한 답에 대해 의견이 분분합니다.

양자 머신러닝은 언제 등장하나요?

IBM의 저명한 엔지니어이자 왕립 공학 아카데미 회원인 Richard Hopkins는 양자 기계 학습 알고리즘을 사용하는 것이 또 다른 옵션일 수 있다고 설명했습니다.

그는 전통적인 기계 학습 모델이 거래가 의심스러운지 여부를 판단하기 위해 거래의 다양한 특성을 모두 식별하고 평가하는 데 많은 시간과 리소스가 필요하다는 점을 지적했습니다. 대조적으로, 양자 기계 학습 모델은 큐비트 중첩을 사용하여 이러한 특징을 동시에 관찰하므로 매우 어려운 분류 문제에 대한 답을 훨씬 더 빠르게 찾을 수 있습니다.

홉킨스의 견해로는 양자 기계 학습 분야는 아직 실험 단계이지만, 사기 탐지, 약물 연구 개발, 약물 연구 개발 등 다양한 분야에 양자 기계 학습 알고리즘이 적용되는 데는 5년 정도밖에 걸리지 않을 것입니다. 컴퓨터 시각 인식.

그러나 모든 전문가가 이 견해에 동의하는 것은 아닙니다. 양자 스타트업 Xanadu의 연구원이자 "Machine Learning for Quantum Computers"라는 책의 공동 저자인 Maria Schuld 박사는 장기적으로 양자 기계 학습이 의심할 여지 없이 엄청난 발전 잠재력을 가지고 있지만 양자의 실용적인 응용을 실현한다고 믿습니다. 컴퓨팅은 현재 멀리 보입니다.

그녀는 "우리는 과학자이며 일반적으로 우리가 연구하는 과학에 대한 비즈니스 사례를 만듭니다. 이것이 효과가 있을 것이라는 것을 알기 때문에가 아니라 흥미로운 결과가 있기를 바라면서 이 일을 합니다."라고 말했습니다.

양자 기계 학습 여전히 실험적입니다.

양자 기계 학습은 비교적 새로운 분야입니다. 1990년대 중반부터 이 주제에 대한 연구 논문이 발표되었지만 양자 머신러닝은 지난 5~6년 전부터 과학계의 관심을 끌기 시작했습니다.

Schuld는 양자 기계 학습에는 두 가지 광범위한 연구 영역이 있다고 소개했습니다. 하나는 양자 컴퓨터를 사용하여 Gibbs 샘플러와 같은 기존 기계 학습 알고리즘을 가속화하는 것이고, 다른 하나는 양자 컴퓨터를 모델로 사용하는 것이며, 특히 양자 칩 자체를 사용하는 것입니다. 기본적으로 모델은 기존 신경망과 유사한 방식으로 훈련됩니다.

그럼에도 불구하고 이 분야는 전체적으로 아직 매우 실험적인 단계에 있습니다. 그녀는 기계 학습 알고리즘이 어떤 경우에는 기존 알고리즘에 비해 "양적 이점"을 갖는 것으로 입증될 수 있지만 실제 응용 프로그램을 구상하기까지는 시간이 좀 걸릴 것이라고 설명했습니다.

양자 이점이 단일하고 좁은 사용 사례에서 달성된다는 전제하에 종종 발표되는 여러 연구에서 양자 기계 학습에 대한 열정으로 인해 이는 무색해졌습니다. Schuld는 "이것은 학문적 관점에서는 흥미롭지만 양자 컴퓨팅의 가능한 응용에 대해 많은 것을 말해주지는 않습니다. 결국 이 연구에서 해결된 많은 문제는 양자 컴퓨터에서 작동하도록 신중하게 코딩되었습니다."라고 말했습니다. 즉, 양자 컴퓨터를 사용하면 매우 구체적인 문제를 매우 구체적인 방식으로 해결하는 데만 능숙합니다.”

이것은 기존 기계 학습 기술의 문제가 아니며, 그 중 다수는 다중 기술의 장점을 더 많이 일반화할 수 있습니다. 문제. 대조적으로, 양자 기계 학습 연구자들은 여전히 ​​다양한 작업에 방법을 적용하는 데 어려움을 겪고 있습니다. 이 때문에 슐드는 아직은 양자칩을 새로운 머신러닝 모델의 기반으로 활용할 때가 아니라는 점을 분명히 지적했다.

양자 기계 학습은 현실에서 입증되어야 합니다

양자 컴퓨팅 연구원들은 양자 기계 학습이 특정 상황에서 기존 기계 학습보다 훨씬 더 나은 성능을 발휘할 수 있다는 데 동의하지만 전문가들은 전자가 얼마나 오래 걸릴지에 대해 회의적입니다. 실제로 사용하는 경우에는 차이가 있습니다.

Hopkins는 이 분야에 문제를 알고리즘에 매핑하고 솔루션을 생성하기 위한 공통 템플릿이 여전히 부족하다는 점을 인정했습니다. 이는 기존 기계 학습이 한때 직면했던 문제이기도 하지만 일단 완료되면 이 기술을 활용하는 것이 매우 쉬워질 것입니다. .

“양자 컴퓨터를 사용하면 사용자는 더 높은 차원의 데이터 세트를 기반으로 더 나은, 더 정확한 결정을 내릴 수 있습니다. 우리는 이것을 이론적으로 입증했고, 실험실에서도 입증했으며, 현실에서도 입증되었습니다. .”

그런데 양자 머신러닝 모델이 이에 대비할 준비가 되어 있나요? Schuld는 그렇지 않다고 생각합니다. 그녀는 “기본 하드웨어가 개선되기 전까지는 수많은 실질적인 문제를 해결할 수 있는 양자 머신러닝 알고리즘이 나올지 알 수 없다”며 “오류 없는 머신이 없다면 실제로 할 수 있는 것에는 한계가 있을 것”이라고 말했다. 실용적인 측면에서는 다소 아쉽습니다.”

Hopkins는 이에 동의하지 않지만 사람들이 ChatGPT 유형 모델을 훈련할 수 있는 양자 컴퓨터를 곧 볼 가능성은 낮다고 인정합니다. 그는 “433큐비트에 불과한 양자컴퓨터로는 이를 달성하는 것이 불가능하지만, 우리는 가능한 양자 머신러닝 실험의 수를 늘리기 위해 매년 진전을 이루고 있다”며 “사람들은 점차 양자 머신러닝 모델이 변화하는 것을 보게 될 것”이라고 말했다. .”

위 내용은 양자 머신러닝을 실제 애플리케이션에 적용할 준비가 되셨나요?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!