2020-07-07 | 박희윤 기자

KAIST开发出超越现有人工智能技术的量子人工智能算法

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

KAIST于7日表示,电气及电子工程学部、AI量子计算IT人才培养研究中心李准九教授研究团队通过与德国及南非研究团队的合作研究,开发出非线性量子机器学习人工智能算法。

随着量子计算机的发展,量子人工智能被高度期待将超越当前的人工智能,但其运算方式完全不同,亟需开发新的量子算法。特别是量子计算机本质上具有擅长求解一次方程的线性性质,因此在处理复杂数据的非线性机器学习方面存在困难。

但通过此次研究设计出非线性核,使针对复杂数据的量子机器学习成为可能。

尤其是李准九教授团队开发的量子监督学习算法,在学习时只需极少的计算量即可运算。因此被评价为提出了超越当前需要大规模计算量的人工智能技术的可能性。

李教授团队将训练数据与测试数据生成为量子信息后,结合可实现量子信息并行运算的量子分叉技术与简单的量子测量技术,构建了可高效计算量子数据间相似性、实现基于非线性核的监督学习的量子算法体系。随后通过IBM云服务,在真实量子计算机上成功实际演示了量子监督学习。

KAIST朴庆德研究教授作为共同第一作者参与的此次研究成果,发表于国际学术期刊《自然》姊妹刊《npj Quantum Information》2020年5月第6卷。

机器学习中的重要问题之一是区分并分类给定数据的特征(feature)。举一个简单例子,可以设想在动物图像训练数据中,基于嘴、耳等特征学习用于分类的决策边界(decision boundary),当输入新图像时将其分类为狗或猫的工作。在数据特征表现明显的情况下,仅靠线性决策边界即可分类。但如果仅凭嘴和耳的形状特征难以区分狗和猫,就需要扩展关于特征的信息空间维度以寻找新的决策边界,这一过程中需要非线性核技术。

与经典计算不同,量子计算中信息空间的维度随量子比特(quantum bit,量子计算信息处理的基本单位)数量呈指数级增长,因此理论上在高维信息处理方面可发挥指数级的优异性能。

研究团队利用量子计算的这一优势,开发出相对于数据特征实现指数级计算效率的量子机器学习算法。李教授研究团队开发的该算法,将存在于低维输入空间的数据迁移到以量子比特表示的高维数据特征空间(feature space),随后利用量子叠加同时计算全部量子化训练数据与测试数据之间的核函数,并高效确定测试数据的分类。此时所用量子电路的计算复杂度相对于训练数据量呈线性增长,但相对于数据特征数量仅以对数(log)函数极为缓慢地增长,这是其优点。

研究团队同时从理论上证明,通过量子电路的系统性设计可实现多种量子核。在基于核的机器学习中,最优核会随给定输入数据而变化,因此能够高效实现多种量子核这一点,对基于量子核的机器学习的实际应用而言是非常重要的成果。

研究团队在IBM以云服务提供的、由五个量子比特构成的超导量子计算机上,实验性地实现了此次成功开发的量子机器学习算法,通过实际演示成功验证了基于量子核的机器学习的性能。

参与该研究的朴庆德研究教授表示:“研究团队开发的基于核的量子机器学习算法,在预计数年内实现商用化的数百量子比特NISQ(Noisy Intermediate-Scale Quantum)计算时代到来时,将超越现有的经典核监督学习。”他还表示:“它将作为用于复杂非线性数据模式识别等的量子机器学习算法得到广泛使用。”

/大田=朴喜润记者 hypark@sedaily.com

阅读韩文原文