Davinder Singh: 100 millió bit
Davinder Singh szerint a klasszikus adatok kvantumállapotokba történő betöltése komoly akadályt jelent, mivel a kvantumszámítógépek nem tudnak közvetlenül klasszikus biteket olvasni, ezért az adatokat qubitekbe kell ágyazni.
A modern mesterséges intelligencia és gépi tanulás nagymértékben támaszkodik a hatalmas adatmennyiségek feldolgozására, de a kvantumszámítógépek nem tudnak közvetlenül klasszikus biteket olvasni — írja Davinder Singh a saját blogján.
Mielőtt bármilyen számítás megkezdődhetne, a klasszikus adatokat kvantumállapotokba (qubitekbe) kell ágyazni. Ez a folyamat meglepően nehéz, és az adatok méretének, valamint komplexitásának növekedésével a kvantumállapotok előkészítésének költsége exponenciálisan is nőhet. Jelenleg nincs univerzálisan hatékony módszer az önkényes klasszikus adatok kvantumrendszerekbe való betöltésére.
A klasszikus neurális hálózatok és a kvantumkülönbség
A neurális hálózatok (NN-ek) a modern gépi tanulás alapvető építőkövei, sikerük nagyrészt az adatok gyűjtésének és feldolgozásának fejlődéséből fakad. Ezek a rendszerek matematikai úton tanulnak mintákat az adatokból, belső paramétereiket fokozatosan igazítva a predikcióhoz, generáláshoz vagy osztályozáshoz. Képesek feldolgozni szekvenciális, térbeli és valószínűségi adatokat is, de mindent numerikus vektorokká vagy tenzorokká alakítanak át.
A kvantumszámítógépek azonban alapvetően másképp dolgozzák fel az információt. Klasszikus bitek helyett kvantumbiteket, azaz qubiteket használnak, amelyek a szuperpozíció és az összefonódás elveit követik. Míg egy klasszikus bit 0 vagy 1 értéket vehet fel, egy qubit mindkét állapot szuperpozíciójában létezhet egyszerre. Mivel a legtöbb adatunk klasszikus formában létezik, ezt az információt kódolni kell a qubitekbe, ami sokkal nehezebb, mint amilyennek hangzik.
Klasszikus adatok beágyazása kvantumállapotokba
A klasszikus információt valahogyan kvantumállapotokká kell fordítani, ezt a folyamatot kvantumadat-beágyazásnak vagy kvantumállapot-előkészítésnek nevezik. Ez történhet például qubitek amplitúdóinak, fázisainak vagy rotációinak felhasználásával. Két gyakori technika a szög-alapú kódolás és a amplitúdó-alapú kódolás.
A szög-alapú kódolás során a klasszikus jellemzőket rotációs szögekké alakítják, amelyeket kvantumkapukkal alkalmaznak a qubitekhez. Ennek hátránya, hogy rosszul skálázódik a qubitek számával, mivel általában annyi qubitre van szükség, ahány jellemző van a bemeneti vektorban. Az amplitúdó-alapú kódolás ezzel szemben az információt közvetlenül egy kvantumállapot amplitúdóiban tárolja, ami sokkal kompaktabb. Egy n-qubites rendszer exponenciálisan több amplitúdót képes tárolni: 2 qubit 4 amplitúdót, 10 qubit 1024-et, 20 qubit pedig több mint egymilliót.
Davinder Singh szerint a kutatók számos modern megközelítést vizsgálnak a korlátok leküzdésére, de egyelőre nincs univerzálisan hatékony megoldás a kvantumadat-betöltésre.