Kuantum Bilgisayarlar Makinelerin Öğrenmesini Hızlandıracak
Çin'in Hefei kentindeki Bilim ve Teknoloji Üniversitesi'nden fizikçiler Chao-Yang Lu, Nai-Le Liu, Li Li ve meslektaşları tarafından Physical Review Letters dergisinin son sayısı...
Yıldız Teknik Üniversitesi - Çevirmen/Editör
Çin'in Hefei kentindeki Bilim ve Teknoloji Üniversitesi'nden fizikçiler Chao-Yang Lu, Nai-Le Liu, Li Li ve meslektaşları tarafından Physical Review Letters dergisinin son sayısında yayımlanan makalede, dolaşıklık temelli makine öğrenim yöntemi konu alınıyor.
Bir fotonik kuantum bilgisayar üzerinde makine öğrenimini inceleyen fizikçiler, kuantum bilgisayarların bazı öğrenim görevlerini yerine getirme hızlarını üstel olarak arttırabileceklerini gösterdi. Hatta bazı örneklerde artış, yüzbinlerce yıl gerektiren bir işlemi sadece birkaç saniyeye indirebilecek düzeyde olabiliyor. Yeni yöntem kuantum dolaşıklıktan yararlanarak çok hızlı bir biçimde vektörleri iki kategoriden birine koyuyor ki bu da makine öğreniminin temelinde yatan görev.
Makine öğrenimi her tarafımızı sarmış durumda ve elektronik veri patlamasının yaşandığı Büyük Veri (İng. Big data) çağında, daha da önem kazanacağa benziyor. Makine öğreniminin günlük hayatta pek çok kullanım alanı olduğunu belirten araştırmacılar, örnek olarak e-posta kutusuna düşen bir iletinin öncekilerle karşılaştırılarak, istenmeyen toplu gönderilerden olup olmadığının saptanmasını hatırlatıyor. Sisteme bir dizi örnek sağlandığı için bu bir "gözetimli makine öğrenimi" örneğidir. Gözetimsiz makine öğreniminde sistem önceki bilgilere erişmez; örneğin fotoğraf düzenleme yazılımının pikselleri 'nesne ve arkaplan' olarak ikiye bölmeye kalkışmasında olduğu gibi.
Hem gözetimli hem de gözetimsiz makine öğreniminde, sınıflandırılacak yeni nesneler (e-posta, piksel vb. gibi) vektörlerle gösterilir. Sistem her bir vektörü iki kategoriden birine koyar. Bunu da vektörün uzunluğuna bakıp, her kategorinin referans vektörü ile karşılaştırarak yapar. Eldeki vektöre en çok benzeyen referans vektör hangisiyse, vektör onun sınıfına atanır.
Az sayıda vektörün sınıflandırılması bu yolla kısa sürede yapılabilir. Ancak dünyadaki veri miktarı sürekli artarken, makinelerin bunu işlemesi için gereken süre de artmaktadır. Araştırmacılar bu "büyük veri" sorununun bir gün en hızlı süper-bilgisayarları bile zora sokacağını düşünüyor.
Yayımladıkları makalede fizikçiler, vektörleri kuantum durumları ile temsil edip aralarındaki uzaklığı ölçmeden önce durumları dolaşıklaştırdıklarını belirtiyor. Kuantum bilgisayarlar vektörleri yönetmekte doğal olarak iyi olduklarından, optik kubitleri yani fotonları yöneten küçük ölçekli bir kuantum bilgisayar kullanmak yeterli oluyor.
Optik düzenekte fotonlardan biri destek kubiti görevi görerek, hem referans vektörü hem de yeni vektörü kodlayan başka bir fotonu dolaşıklaştırmak için kullanılıyor. Ortaya çıkan 2-fotonlu dolaşık durum, 2-boyutlu vektörleri sınıflandırmada kullanılıyor. 4-boyutlu vektörleri sınıflandırmak için 3-fotonlu dolaşıklık gerekirken, 8-boyutlu vektörler için de 4-fotonlu dolaşık durumların kullanılması gerekiyor. Genellersek, değişik gerçek dünya nesnelerinin özelliklerini tanımlamak için değişik boyutlarda vektörler gerekiyor.
Araştırmacılar kuantum yönteminin, makine öğrenimini bugünkü bilgisayarların yeteneklerinin çok ötesine taşıyabileceğini belirtiyor. Üstel olarak artan hızlanmanın ne kadar güçlü olduğunu anlatmak için Lu şu örneği veriyor: "Boyutları 1 Zettabyte olan iki büyük vektör arasındaki uzaklığı hesaplamak için klasik bir bilgisayara yüzbinlerce yıl süre gerekirken, destek kubitinin bu iki vektörle dolaşıklaştırılmasının ardından bir kuantum bilgisayarın üstel hızlanmasıyla birlikte bunu sadece birkaç saniyede tahmin etmesi mümkün olabilir."
Bu kuantum temelli vektör sınıflandırma yöntemi, hem gözetimli hem de gözetimsiz makine öğreniminde işe yarayacağı için çok geniş bir uygulama alanı olabilir. Makine öğreniminin kullanıldığı alanlara örnek olarak bilgisayar bilimleri, finansal analiz, robotik ve biyoinformatik verilebilir. Bunların günlük yaşamda karşılaşılan uygulamaları arasında e-posta filtreleme, yüz tanıma ve internetten alışverişteki öneri sistemleri sayılabilir.
"Makine öğrenimi her tarafımızı sarmış durumda ve elektronik veri patlamasının yaşandığı Büyük Veri çağında, daha da önem kazanacağa benziyor," diyor Lu. "Her yıl veri miktarının üstel olarak %40 arttığı tahmin ediliyor. Öte yandan Moore yasasının kötü haberleri var. Şöyle ki, eğer böyle sürecek olursa 2020 yılı civarında çip boyutları, kuantum mekaniği kurallarının işlediği atomik düzeye inecek. Dolayısıyla, klasik hesaplamadaki hız artışı ciddi bir zorlukla yüz yüze. Bugün hâlâ eski klasik bilgisayarlarımızla makine öğreniminin ve diğer hesaplama işlerinin altından kalkabiliyor olsak da, uzun vâdede başka yollar düşünmemiz gerekecek."
Gelecekte araştırmacılar bu yöntemi çok sayıda kubitin bulunduğu ölçeklere çıkarmayı umuyor. Daha yüksek boyutlu kuantum durumlarının kodlanmasında, bir fotonun yörüngesel açısal momentumunun serbestlik derecesinin ya da bir başka özelliğinin kullanılabileceği söyleniyor.
"Daha güçlü kuantum makine öğrenimi için sürekli artan sayıda kuantum bitlerinin kontrolü üzerinde çalışıyoruz," diyor Lu. "Tek bir fotonun çoklu serbestlik derecelerini kontrol ederek, yakın gelecekte 6-fotonlu 18 kubit dolaşıklık üretmeyi amaçlıyoruz. Yarı iletken kuantum noktaları kullanarak, beş yıla kadar ortalama 20-fotonlu dolaşıklık için bir katı-hâl platformu yapılandırmak istiyoruz. Kuantum kontroldeki yeteneğimizi arttırarak, daha karmaşık kuantum yapay zeka işlevleri gerçekleştirebiliriz."
İlgili Makale: X.-D. Cai, et al. "Entanglement-Based Machine Learning on a Quantum Computer." Physical Review Letters. DOI: 10.1103/PhysRevLett.114.110504 - arXiv:1409.7770
Kaynak: Phys.org. Quantum computers could greatly accelerate machine learning. Mar 30, 2015
< http://phys.org/news/2015-03-quantum-greatly-machine.html >
Bir fotonik kuantum bilgisayar üzerinde makine öğrenimini inceleyen fizikçiler, kuantum bilgisayarların bazı öğrenim görevlerini yerine getirme hızlarını üstel olarak arttırabileceklerini gösterdi. Hatta bazı örneklerde artış, yüzbinlerce yıl gerektiren bir işlemi sadece birkaç saniyeye indirebilecek düzeyde olabiliyor. Yeni yöntem kuantum dolaşıklıktan yararlanarak çok hızlı bir biçimde vektörleri iki kategoriden birine koyuyor ki bu da makine öğreniminin temelinde yatan görev.
Destek kubiti ile vektör sınıflandırma hızlanıyor
Makine öğrenimi her tarafımızı sarmış durumda ve elektronik veri patlamasının yaşandığı Büyük Veri (İng. Big data) çağında, daha da önem kazanacağa benziyor. Makine öğreniminin günlük hayatta pek çok kullanım alanı olduğunu belirten araştırmacılar, örnek olarak e-posta kutusuna düşen bir iletinin öncekilerle karşılaştırılarak, istenmeyen toplu gönderilerden olup olmadığının saptanmasını hatırlatıyor. Sisteme bir dizi örnek sağlandığı için bu bir "gözetimli makine öğrenimi" örneğidir. Gözetimsiz makine öğreniminde sistem önceki bilgilere erişmez; örneğin fotoğraf düzenleme yazılımının pikselleri 'nesne ve arkaplan' olarak ikiye bölmeye kalkışmasında olduğu gibi.
Hem gözetimli hem de gözetimsiz makine öğreniminde, sınıflandırılacak yeni nesneler (e-posta, piksel vb. gibi) vektörlerle gösterilir. Sistem her bir vektörü iki kategoriden birine koyar. Bunu da vektörün uzunluğuna bakıp, her kategorinin referans vektörü ile karşılaştırarak yapar. Eldeki vektöre en çok benzeyen referans vektör hangisiyse, vektör onun sınıfına atanır.
Az sayıda vektörün sınıflandırılması bu yolla kısa sürede yapılabilir. Ancak dünyadaki veri miktarı sürekli artarken, makinelerin bunu işlemesi için gereken süre de artmaktadır. Araştırmacılar bu "büyük veri" sorununun bir gün en hızlı süper-bilgisayarları bile zora sokacağını düşünüyor.
Hızlanma Üstel Artış Gösteriyor
Yayımladıkları makalede fizikçiler, vektörleri kuantum durumları ile temsil edip aralarındaki uzaklığı ölçmeden önce durumları dolaşıklaştırdıklarını belirtiyor. Kuantum bilgisayarlar vektörleri yönetmekte doğal olarak iyi olduklarından, optik kubitleri yani fotonları yöneten küçük ölçekli bir kuantum bilgisayar kullanmak yeterli oluyor.
Optik düzenekte fotonlardan biri destek kubiti görevi görerek, hem referans vektörü hem de yeni vektörü kodlayan başka bir fotonu dolaşıklaştırmak için kullanılıyor. Ortaya çıkan 2-fotonlu dolaşık durum, 2-boyutlu vektörleri sınıflandırmada kullanılıyor. 4-boyutlu vektörleri sınıflandırmak için 3-fotonlu dolaşıklık gerekirken, 8-boyutlu vektörler için de 4-fotonlu dolaşık durumların kullanılması gerekiyor. Genellersek, değişik gerçek dünya nesnelerinin özelliklerini tanımlamak için değişik boyutlarda vektörler gerekiyor.
Araştırmacılar kuantum yönteminin, makine öğrenimini bugünkü bilgisayarların yeteneklerinin çok ötesine taşıyabileceğini belirtiyor. Üstel olarak artan hızlanmanın ne kadar güçlü olduğunu anlatmak için Lu şu örneği veriyor: "Boyutları 1 Zettabyte olan iki büyük vektör arasındaki uzaklığı hesaplamak için klasik bir bilgisayara yüzbinlerce yıl süre gerekirken, destek kubitinin bu iki vektörle dolaşıklaştırılmasının ardından bir kuantum bilgisayarın üstel hızlanmasıyla birlikte bunu sadece birkaç saniyede tahmin etmesi mümkün olabilir."
Makine Öğrenimi Her Yerde
Bu kuantum temelli vektör sınıflandırma yöntemi, hem gözetimli hem de gözetimsiz makine öğreniminde işe yarayacağı için çok geniş bir uygulama alanı olabilir. Makine öğreniminin kullanıldığı alanlara örnek olarak bilgisayar bilimleri, finansal analiz, robotik ve biyoinformatik verilebilir. Bunların günlük yaşamda karşılaşılan uygulamaları arasında e-posta filtreleme, yüz tanıma ve internetten alışverişteki öneri sistemleri sayılabilir.
"Makine öğrenimi her tarafımızı sarmış durumda ve elektronik veri patlamasının yaşandığı Büyük Veri çağında, daha da önem kazanacağa benziyor," diyor Lu. "Her yıl veri miktarının üstel olarak %40 arttığı tahmin ediliyor. Öte yandan Moore yasasının kötü haberleri var. Şöyle ki, eğer böyle sürecek olursa 2020 yılı civarında çip boyutları, kuantum mekaniği kurallarının işlediği atomik düzeye inecek. Dolayısıyla, klasik hesaplamadaki hız artışı ciddi bir zorlukla yüz yüze. Bugün hâlâ eski klasik bilgisayarlarımızla makine öğreniminin ve diğer hesaplama işlerinin altından kalkabiliyor olsak da, uzun vâdede başka yollar düşünmemiz gerekecek."
Gelecekte araştırmacılar bu yöntemi çok sayıda kubitin bulunduğu ölçeklere çıkarmayı umuyor. Daha yüksek boyutlu kuantum durumlarının kodlanmasında, bir fotonun yörüngesel açısal momentumunun serbestlik derecesinin ya da bir başka özelliğinin kullanılabileceği söyleniyor.
"Daha güçlü kuantum makine öğrenimi için sürekli artan sayıda kuantum bitlerinin kontrolü üzerinde çalışıyoruz," diyor Lu. "Tek bir fotonun çoklu serbestlik derecelerini kontrol ederek, yakın gelecekte 6-fotonlu 18 kubit dolaşıklık üretmeyi amaçlıyoruz. Yarı iletken kuantum noktaları kullanarak, beş yıla kadar ortalama 20-fotonlu dolaşıklık için bir katı-hâl platformu yapılandırmak istiyoruz. Kuantum kontroldeki yeteneğimizi arttırarak, daha karmaşık kuantum yapay zeka işlevleri gerçekleştirebiliriz."
İlgili Makale: X.-D. Cai, et al. "Entanglement-Based Machine Learning on a Quantum Computer." Physical Review Letters. DOI: 10.1103/PhysRevLett.114.110504 - arXiv:1409.7770
Kaynak: Phys.org. Quantum computers could greatly accelerate machine learning. Mar 30, 2015
< http://phys.org/news/2015-03-quantum-greatly-machine.html >
Kaynak ve İleri Okuma
Etiket
Projelerimizde bize destek olmak ister misiniz?
Dilediğiniz miktarda aylık veya tek seferlik bağış yapabilirsiniz.
Destek Ol
Yorum Yap (0)
Bunlar da İlginizi Çekebilir
26 Ocak 2016
Kuantum Güvercin Yuvası İlkesi
01 Haziran 2015
Sıkıştırılmış Kuantum Kediler
17 Eylül 2015
Işın Kılıcı Yapmak Mümkün mü?
14 Şubat 2016
Aşık Fotonları Uzay-Zaman Ayıramıyor
19 Ekim 2015
Kuantum Kataliz ile Dolaşıklık Kayıpları Gideriliyor
18 Temmuz 2017
Uzaya Foton "Işınlanması" Gerçekte Ne Anlama Geliyor?