Kvante-teknologi kan accelerere maskiners læringsproces

Et nyt eksperiment på Universitetet i Wien har demonstreret, hvordan kvante-teknologi kan accelerere maskiners læringsproces. Fysikerne involveret i arbejdet brugte en kvante-processor til enkelt-fotoner som en robot.

Forskningen blev offentliggjort i Nature.

Der har været betydelige udviklinger inden for kvante-computing-området, og kraften i sådanne teknologier bliver stadig mere tydelig. Dette har ført til, at teknologien bliver brugt i virkelige anvendelser, og nu vil eksperterne kombinere kunstig intelligens (AI) og autonome maskiner med kvantefysik og algoritmer.

Læringsproces

For at opnå dette har videnskabsmændene undersøgt, hvordan kvantemekanik kan hjælpe robotter med deres læringsproces, og omvendt. Nogle af resultaterne har vist, hvordan robotter kan bevæge sig hurtigere eller hvordan kvanteforsøg kan bruge nye læringsmetoder. Trods hurtigere bevægelse har robotterne stadig ikke kunnet lære hurtigere, hvilket er nødvendigt for udviklingen af komplekse autonome maskiner.

Phillip Walther ledede en international indsats, der blev ledet af et hold af fysikere fra universitetet. De blev ledsaget af teoretikere fra Universitetet i Innsbruck, den østrigske videnskabsakademi, Leiden Universitet og det tyske luft- og rumfartscenter.

Samarbejdet lykkedes i at eksperimentelt bevise en acceleration af en robots lærings tid. Holdet afhængigt af enkelt-fotoner og en integreret fotisk kvante-processor designet af MIT. Processoren blev brugt som en robot, der lærte at dirigere enkelt-fotoner til en foruddefineret retning.

Valeria Saggio er første forfatter på publikationen.

“Eksperimentet kunne vise, at lærings tiden er betydeligt reduceret i forhold til tilfældet, hvor ingen kvantefysik bliver brugt,” siger Saggio.

Superpositionsprincippet

Robotten kan lære ved at blive belønnet for at udføre den korrekte bevægelse. I en klassisk verden, for eksempel med en venstre- og højre-sving, kan kun én vælges og være korrekt. Men med kvante-teknologi kan robotten bruge superpositionsprincippet, hvilket betyder, at den kan udføre begge disse sving samtidigt.

Hand Briegel og hans hold på Universitetet i Innsbruck udviklede de teoretiske idéer om kvantelæringsagenter.

“Dette nøgletræk ermöglicer implementeringen af en kvantesøgealgoritme, der reducerer antallet af forsøg for at lære den korrekte vej. Som følge heraf vil en agent, der kan udforske sin omverden i superposition, lære betydeligt hurtigere end sin klassiske modpart,” siger Briegel.

Ifølge Walther “er vi lige ved at begynde at forstå mulighederne for kvantekunstig intelligens og derfor bidrager hvert nyt eksperimentelt resultat til udviklingen af dette felt, der i øjeblikket ses som et af de mest frugtbare områder for kvantecomputering.”