Małe komputery kwantowe mogą fundamentalnie zmienić sposób przetwarzania danych przez systemy sztucznej inteligencji – wynika z nowego badania sugerującego, że metody kwantowe mogą drastycznie zredukować ilość pamięci potrzebnej do zadań uczenia maszynowego.
Badanie opublikowane na arXiv wykazało, że systemy kwantowe operujące stosunkowo niewielką liczbą kubitów mogą wykonywać podstawowe funkcje AI – takie jak klasyfikacja i rozpoznawanie wzorców – na ogromnych zbiorach danych, podczas gdy klasyczne systemy wymagałyby wykładniczo większej ilości pamięci do osiągnięcia podobnych wyników.
Kluczem jest technika zwana „quantum oracle sketching”. Zamiast przechowywać całe zbiory danych, system przetwarza dane stopniowo, kompresując istotne informacje do zwartego stanu kwantowego. Oznacza to, że dane wejściowe mogą być pobierane próbka po próbce i odrzucane po przetworzeniu – zbliżone do ekstremalnej kompresji danych, która zachowuje zdolność do prognozowania bez utrzymywania pełnej kopii danych treningowych.
Badacze przetestowali to podejście na rzeczywistych zbiorach danych: analizie sentymentu recenzji filmowych i danych biologicznych z sekwencjonowania RNA pojedynczych komórek. Systemy kwantowe osiągały porównywalną wydajność przy zużyciu pamięci mniejszym o 4-6 rzędów wielkości, operując na mniej niż 60 logicznych kubitach.
Wyniki pozostają jednak na razie teoretyczne – opierają się na symulacjach, a nie eksperymentach na prawdziwym sprzęcie kwantowym. Wyzwania takie jak szumy, korekcja błędów i stabilność kubitów wciąż pozostają nierozwiązane. Autorzy badania podkreślają konieczność eksperymentalnej weryfikacji ich wniosków.
.
Źródło: AI Insider
