Kvantteknologi kan påskynda maskinernas inlärningsprocess

En ny experiment vid Universitetet i Wien har demonstrerat hur kvantteknologi kan påskynda maskinernas inlärningsprocess. Fysikerna som deltog i arbetet använde en kvantprocessor för enfotoner som en robot.

Forskningen publicerades i Nature.

Det har skett stora framsteg inom området kvantberäkning på senare tid, och kraften i sådana teknologier förstås alltmer. Detta har lett till att teknologin används i verkliga tillämpningar, och nu vill experter kombinera artificiell intelligens (AI) och autonoma maskiner med kvantfysik och algoritmer.

Inlärningsprocess

För att uppnå detta har forskare undersökt hur kvantmekanik kan hjälpa robotarnas inlärningsprocess, och vice versa. Vissa av resultaten har visat hur robotar kan röra sig snabbare eller hur kvantexperiment kan använda nya inlärningstekniker. Trots att robotarna rör sig snabbare, har de fortfarande inte kunnat lära sig snabbare, vilket behövs för utvecklingen av komplexa autonoma maskiner.

Phillip Walther ledde en internationell insats ledd av ett team av fysiker vid universitetet. De fick sällskap av teoretiker från Universitetet i Innsbruck, Österrikiska vetenskapsakademien, Leidens universitet och det tyska rymdcentret.

Samarbetet lyckades med att experimentellt bevisa en förkortning av en robots inlärningstid. Teamet använde enfotoner och en integrerad fotonisk kvantprocessor utformad av MIT. Processorn användes som en robot, som lärde sig att dirigera enfotoner till en förutbestämd riktning.

Valeria Saggio är första författare till publikationen.

“Experimentet kunde visa att inlärningstiden är betydligt kortare jämfört med fallet där ingen kvantfysik används”, säger Saggio.

Superpositionsprincipen

Roboten kan lära sig genom att belönas för att utföra rätt rörelse. I en klassisk värld, till exempel med en vänstersväng och en högersväng, kan bara en av dem väljas och vara rätt. Men med kvantteknologi kan roboten använda superpositionsprincipen, vilket innebär att den kan utföra båda svängarna samtidigt.

Hand Briegel och hans team vid Universitetet i Innsbruck utvecklade de teoretiska idéerna om kvantinlärningsagenter.

“Denna nyckelfunktion möjliggör implementeringen av en kvantsökalgoritm som minskar antalet försök för att lära sig den rätta vägen. Som en följd kommer en agent som kan utforska sin omgivning i superposition att lära sig betydligt snabbare än sin klassiska motsvarighet”, säger Briegel.

Enligt Walther, “Vi är bara i början av att förstå möjligheterna med kvantartificiell intelligens och varje nytt experimentellt resultat bidrar till utvecklingen av detta område, som för närvarande ses som ett av de mest fruktbärande områdena för kvantberäkning.”