İki ekip, kuantum yaklaşımlarının problemleri klasik bilgisayarlardan daha hızlı çözebileceğini gösterdi. Fizik ve bilgisayar bilimi artık birbirine daha yakın.
Valeria Saggio Viyana laboratuvarında, tek fotonlardan oluşan bir lazeri özel bir kuantum devresine yönlendirerek kuantum fiziğinin etkenliği ile makine öğrenimini nasıl geliştirebileceğini gösterdi.
Valeria Saggio’nun eski Viyana laboratuvarındaki bilgisayarı başlatmak için sadece tırnak büyüklüğünde, özel bir kristale ihtiyacı vardı. Saggio kristali küçük bir bakır kutu içinde, 77°Fahrenheit’e (25° Celcius) ısıtacak küçük elektrikli fırına nazikçe koyardı. Sonra kristali bir foton ışını ile bombalamak için bir lazeri çalıştıracaktı.
Kristal tam bu ısıda, fotonlardan bazılarını iki fotona ayırır. Bunlardan biri doğruca bir ışık detektörüne gider, yolculuğu biter; diğeri ise küçük bir silikon çipe, yani bir kuantum hesaplama işlemcisine giderek yolculuğunu sürdürür. Sonuca göre işlemcisi başka bir yol seçip tekrar aynı süreci deneyebilir. İşlemci üzerindeki minyatür aletler, fotonu farklı yollara sürükleyebilir; ancak sonuçta sadece iki sonuç vardır; doğru yol ve birçok yanlış yol. Sonuca göre onun işlemcisi başka bir yol seçip; süreci tekrar deneyebilir.
Bu işlemler dizisi, Windows’tan daha fazla Rube Goldberg hissi veriyor, ancak amaç, bir kuantum bilgisayarının kendisine bir görevi öğretebilmesiydi: Seçenekler arasından doğru yolu bulmak! Birkaç hafta önce Massachusetts Institute of Technology’ye taşınan kuantum fizikçisi Saggio için proje, robotu bir labirente sokmaya benziyordu. Bilgisayar, yol boyunca nereye döneceğine dair herhangi bir ön bilgisi olmaksızın doğru yolu öğrenebilmelidir. Çok zor bir görev değil; klasik bir bilgisayar, çıkmaz sokaklar ve şanslı tahminler arasından yolunu bulabilir. Ama, Saggio “Kuantum mekaniği bu çözüme yardımcı olabilir mi?” diye merak etti. O ve ortakları geçen yıl bunun mümkün olduğunu gösterdiler.
Bu harika bir deney, ancak çalışma aynı zamanda kuantum fiziğinin, bilgisayarların verilerdeki örüntüleri bulmasına ve uygulamasına izin veren yapay zekanın alt alanı olan makine öğrenimine gerçek bir avantaj sağlayıp sağlamadığı hakkında uzun süredir devam eden bir soruyu da yanıtlıyor. Fizikçiler ve bilgisayar bilimcileri uzun süredir bu tür ‘kuantum hızlanmalarına’ dair kanıt arayışındalar. Temmuz ayında yayınlanan ayrı bir çalışmada IBM araştırmacıları, kuantum bilgisayarların herhangi bir klasik bilgisayar için mümkün olmayan bir görevde verileri sınıflandırmayı öğrenebileceğini kanıtladı. İki çalışma, makine öğreniminin farklı dallarını ele alıyor, ancak benzer bir hikâye ortaya koyuyorlar: Doğru koşullar göz önüne alındığında, kuantum makine öğrenimi, klasik algoritmaları geride bırakabilir.
Tek fotonlar Saggio’nun nanofotonik işlemcisine girdiğinde, yalnızca bir ’doğru’ çıkış yolu, ancak birçok ‘yanlış’ yol vardı. Doğru seçimleri ödüllendiren klasik pekiştirmeli öğrenmeyi kuantum süperpozisyonlarının zaman kazandıran gücüyle birleştirerek, makine öğreniminin kuantum hesaplamanın kullanımından yararlanabileceğini kanıtladı.
Paris’teki Sorbonne Üniversitesi’nde kuantum iletişim uzmanı ve her iki çalışmada da yer almayan Eleni Diamanti, “Birkaç yıl öncesine kadar fizikçilerin ve bilgisayar bilimcilerinin paralel dünyalarda yaşadıklarını düşünürdüm” dedi. Şimdi buradalar, birlikte çalışıyorlar. “Bu gerçek bir paradigma değişikliği.”
Doğal Bir Evlilik
Yapay zekanın çoğu ve özellikle makine öğrenimi, sıkıcı görevlerin otomatikleştirilmesine ve iyileştirilmesine bağlıdır. Leiden Üniversitesi’nde kuantum enformasyon araştırmacısı ve Saggio’nun çalışmasının ortak yazarı Vedran Dunjko, “Makine öğrenimi, bilgisayarların açık programlama olmadan yararlı şeyler yapmasını sağlamakla ilgilidir” dedi. Bir bilgisayar, ‘kedi’ veya ’köpek’ etiketli fotoğraflardan bir şeyler öğrenebilir ve ardından yeni resimleri hızla doğru türlere göre sıralayabilir; diğer algoritmalar, doktorların tıbbi taramalarda kanserleri teşhis etmesine yardımcı olan incelikli modeller bulabilir.
Son on yılda, araştırmacılar kuantum bilgisayarların makine öğrenimini nasıl etkileyebileceğini teorileştirmeye başladılar. Kuantum bilgisayarların benzersiz bir avantajı, süperpozisyon adı verilen bir olgudur. Klasik bitler ya 0 ya da 1 durumunda olabilirken, ‘kübitler’ her ikisinin karmaşık bir kombinasyonu olabilir. Kuantum algoritmaları, doğru bir cevaba ulaşmak için gereken hesaplama adımlarının sayısını azaltmak için süperpozisyonları kullanabilir.
Görünüşe göre bazı makine öğrenim görevleri, bu tür işler için benzersiz şekilde uygundur. 2013’te iki çalışma, kuantum bilgisayarların, algoritmanın kalıpları kendi başına keşfetmesi gereken bazı ‘denetimsiz’ öğrenme görevlerini nasıl hızlandırabileceğini gösterdi. Yaklaşım umut vericiydi, ancak teorikti ve zamanın teknolojisiyle gerçekleştirilmesi imkansızdı. Diamanti, “Bu makine öğrenimi protokollerinin çoğu, oraya ulaşan ancak henüz mevcut olmayan teknolojiyi gerektiriyor” dedi.
Araştırmacılar kuantum hesaplamayı klasik hesaplamanın yerini alan bir araç olarak değil, onu tamamlayan bir araç olarak düşünüyorlar.
Her bilgisayar türünün güçlü yönleri vardır ve araştırmacılar, kuantum bilgisayarların üstün olduğu belirli alanları bulabilirlerse avantaj elde etmeyi umuyorlar. Şimdi amaç, problemleri klasik bir bilgisayardan farklı bir şekilde -daha iyi bir şekilde- çözmek için kuantum fiziğini kullanan algoritmalar bulmaktır. Ve kuantum bilgisayarların geleneksel makinelerden daha iyi öğrenmesini sağlamak, kuantum fiziği ile uyumlu matematiksel işlemlere indirgenen yapay zekâ problemlerini bulmak anlamına gelecektir.
IBM’de fizikçi olan Kristan Temme, “En büyük probleminizi zorla üstlenmeye çalışmak yerine, araştırmacılar daha ince ayrıntılarda olan fırsatları bulmalılar.” dedi. Yapay zekanın matematiği ile kuantum hesaplamanın fiziği arasındaki bu doğal evlilikleri bulmak, gerçek hayattaki kuantum makine öğreniminin anahtarıdır.
Çekirdek-Kernel Hilesi
Temme yaşadığı tecrübesini anlatıyor. IBM’deki ekibi 2019’da, kuantum fiziğiyle uyumlu, kernel’i içeren, bir püf noktasını istatistikte problem çözme yönteminin önemli bir örneği olarak kabul ettiler..
Çekirdek, belirli bir özelliğe göre iki veri noktasının ne kadar ilişkili olduğunun ölçüsüdür. Üç öğe içeren basit bir veri seti düşünün: BLUE, RED ve ORANGE; bunları renk olarak incelerseniz RED ve ORANGE komşudur. Ama karakter sayısına bakarsanız BLUE, RED ile ORANGE arasında oturur. Çekirdekler, gelecekteki girdileri ayırt etmeye yardımcı olan kalıpları bulmak için bir algoritmanın verileri farklı şekillerde sınıflandırmasına izin veren mercekler gibidir. Temme, bunları uygulamak, bilgiyi yeni bir ışık altında yeniden şekillendirmek için hile olduğunu ifade etti ve aksi takdirde verilerde gizli olan güçlü ilişkilere odaklanmamız mümkün oldu.
Çekirdeklerin Gücü
Çekirdekleri kullanarak, verileri farklı şekillerde gruplayabilirsiniz, aksi takdirde gizli bilgiler açığa çıkar.
İki Boyutlu
Burada veri noktaları karışık ve bir makinenin üçgenleri dairelerden ayırt etmesinin bir yolu yok gibi görünüyor.
Üç Boyutlu
Burada üçüncü bir boyut olarak gösterilen başka bir özelliği düşündüğümüzde, veriler daha net bir şekilde kümelenir ve bu da şekilleri birbirinden ayırmayı kolaylaştırır.
Çekirdeklerin kuantum fiziğiyle doğal bir bağlantısı yoktur. Ancak, kuantum bilgisayarlar verileri benzer şekilde manipüle ettiği, bu yüzden de; Temme ekibinin çekirdekler için bir kuantum algoritması tasarlayabileceğinden şüphelenilmesini ve özellikle denetimli öğrenme sorunları için -sistemin bir dizi etiketli sınıflandırılmış veriden öğrendiği durumlarda- kombinasyon, öğrenme ve kalıpları uygulama konusunda mükemmel sıralama metodolojisi olabilir.
Temme, IBM’den meslektaşı Srinivasan Arunachalam ve California Üniversitesi, Berkeley’den bir stajyer olan Yunchao Liu ile birlikte, bir kuantum çekirdek algoritmasının klasik olanı gölgede bırakabileceğini kanıtlamak için; 2020 yazında, kuantum bilgisayarların denetimli öğrenmeyi artırabileceğini kanıtlamak üzere diyagramlar çizip, çekirdek hilesinin nasıl kullanılacağı hakkında spekülasyonlar yaparak enine boyuna müzakere ettiler.
Temme, “Bunlar gerçekten hararetli tartışmalardı, Hepimiz o küçük mavi kutularda birbirimize bakıyoruz” dedi. Sonunda, çekirdekleri parlatacak bir yola çıktılar.
Kriptograflar bazen tek yönlü matematik işlemleri kullanırlar -bu işlemler kolayca bir sayı çıktısı verir ancak bu işlemlere tersine mühendislik uygulanamaz. Örneğin, ‘ayrık logaritma’, iki sayı üzerine uygulanan bir işlemdir -sayılara a ve x diyeceğiz- ve a ve x değiştikçe tahmin edilemez bir şekilde değişen; birbirinden farklı sonuçlar verir. (Algoritma a’nın x’inci üssünü alır, onu başka bir n sayısına böler ve kalanı verir.) Klasik bilgisayarlar, x’i bulmak için çıktı dizisini kıramaz.
Temme ve ekibi, kuantum çekirdekleri kullanarak, ayrık logratima probleminin ürettiği, görünüşte rastgele, çıktıda gizlenen çözümü bulmanın nasıl öğrenilebileceğini göstermiştir. Teknik, hem veri noktalarını yeniden yorumlamak hem de birbirleriyle nasıl karşılaştırıldıklarını hızlı bir şekilde tahmin etmek için çekirdekleri ve süperpozisyonları kullanır. Başlangıçta veriler rastgele görünür, ancak kuantum yaklaşımı, modelini ortaya çıkarmak için doğru “merceği” bulur. Bazı temel özellikleri paylaşan veri noktaları artık rastgele dağılmış görünmüyor, komşular olarak bir araya geliyor. Bu bağlantıları yaparak, kuantum çekirdekleri, sistemin verileri nasıl sınıflandıracağını öğrenmesine yardımcı olur.
–
Emily Buder/Quanta Magazine;
Chris FitzGerald and DVDP for Quanta Magazine
Temme, “Her şeyin yerine otrurduğunu görebiliyorsunuz,” diye belirtti. Yöntem, kuantum bilgisayarın %99 doğruluğu aşmasını sağlıyor. IBM çalışmasına dahil olmayan bir kuantum makine öğrenimi uzmanı olan Maria Schuld, “Makaleyi gerçekten beğendim” dedi. (2019’da Schuld’un ekibi, çekirdeklerin kuantum YZ için değerli olacağını gösterdi.) “İnsanların kuantum makine öğreniminde uzun süredir uğraştığı temel bir metodolojik sorunu çözüyor.”
Schuld’a göre Temme’nin çalışmasının yeniliği, kuantum bilgisayarın klasik bir bilgisayarda çözülemez bir şey yaptığını kanıtlamasıdır. “Bence bunu ilk defa inandırıcı bir şekilde yaptılar” dedi.
Bir Kuantum Öğrencisi Yetiştirmek
Temme’nin çekirdek tabanlı hızlandırması pratik bir deneyde gösterilemeyecek kadar yeni olsa da kuantum mekaniğini ve başka bir öğrenme türünü birleştiren teorilerin gerçek bir şeye dönüşmesi için epeyce zamanı oldu. 2016’da Vedran Dunjko, kuantum mekaniğinin pekiştirmeli öğrenmeyi geliştirebilecek teorisinin ana hatlarını ifade etmiştir. Ödül, istatistiksel bir dürtü görevi görür ve öğrencinin bir sonraki sefere doğru seçme olasılığını artırır. Bu çerçeve, Go ve Chess gibi oyunlar da bilgisayarları güçlendirdi. 2018’de Dunjko ve diğer kuantum bilgi uzmanı Sabine Wölk, iyi bilinen bir kuantum arama algoritmasının, klasik bir bilgisayardan daha hızlı bir şekilde bir dizi doğru seçimi değerlendirmek ve seçmek için süperpozisyonları kullanabileceğini savundu. Wölk, Valeria Saggio’nun da katıldığı fikir hakkında bir konuşma yapmak üzere Viyana’ya davet edildi. Foton tabanlı kuantum bilgisayar kurulumunun bu fikri göstermeye yardımcı olabileceği; “aslında kuantum işlemcimizle bir şeyler uygulamanın mümkün olduğunu görmüş olduk” dedi.
Takviyeli öğrenme bir soruya indirgenir: Bilgisayar olası seçimlerini nasıl keşfedecek? Klasik bir bilgisayar seçenekleri sıralı olarak gözden geçirebilir. Ancak süperpozisyonlar, bir kuantum bilgisayarın umut verici alternatif yolları güçlendirmesine izin verir. Grup bir gösteri hazırlamaya başladı.
Saggio’nun kuantum nanofotonik çipi, bilgiyi fotonlar ve çipte izledikleri yol aracılığıyla iletir. Her yol farklı bir mesajı kodlar ve her yol ışığı farklı bir çıkışa gönderebilir. Öğrenci yanlış seçimler yaptıysa, Saggio’nun Python terminalinde bir 0 belirir. Başarılı seçimde ise 1 alır.
Kuantum çipinin doğru yolu hızlı bir şekilde bulmasını sağlamak için Saggio ve işbirlikçileri bir kuantum arama algoritması kullandılar. İlk çalıştırmada, bilgisayarın herhangi bir yolu seçme olasılığı eşit olmakta; ancak öğrenci doğru olanı bulduğunda da ödül devreye girmektedir. Işık yolundaki her virajda; fizik, öğrenciyi daha doğru seçimler yapmaya ikna etmek için ayarlandı ve kuantum devresinde çözümler güçlendirildi. Sonuç olarak hızlanma açıktı. Kuantum çip, klasik bir bilgisayardan yaklaşık %63 daha hızlı öğrendiği gözlenmektedir. Saggio, “sonunda çok daha fazla 1.’lik oldugünu ifade ederek mutluluğunu ifade etti.
Seville Üniversitesi’nde bir kuantum makine öğrenimi uzmanı olan Lucas Lamata, çipin sadece deneme-yanılma döngülerinde değil- tüm proseste daha hızlı olduğunu” ifade etmektedir.
“Bu makaledeki yenilik, öğrenmede bir hızlanma göstermeleridir. Bu önemli bir atılımdır.” Kuantum mekaniği, sistemin daha az adımda öğrenmesini sağlar. Bu anlamda, Temme’nin teorik hızlanmasının vaat ettiği şeyi bir deneyde gösteriyor: Kuantum fiziği, klasik hesaplamayı sadece geride bırakmakla kalmaz, alt edebilir.
Diamanti, “Tam ölçekli kuantum bilgisayarı beklemek zorunda olmadığınızı göstermenize izin veriyor” dedi. “Kuantum kaynaklarından avantaj elde edebilirsiniz. Bugün, bazı görevler için zaten gösterebiliyorsunuz.”
Kuantum’un ileri sıçramaları
Kuantum fiziğinin makine öğrenimini geliştirdiği kesin olarak gösterildiğinden, bu alandaki birçok kişi önümüzdeki yıllarda daha fazla deneysel uygulamalar görmek istiyor.
Saggio, “Artık kuantum avantajına sahip olmanın mümkün olduğunu bildiğimize göre, daha gerçekçi öğrenme senaryoları görmeyi umuyoruz.” dedi.
Araştırmacılar, kuantum takviyeli öğrenmenin satranç ve doğal dil algoritmalarından, nöral arayüzlerdeki beyin sinyallerinin kodunu çözmeye ve kanser için karmaşık tedavi planlarını kişiselleştirmeye kadar her konuda yardımcı olabileceğini düşünüyor.
Ancak teknolojik sınırlar deneyleri zorlaştırıyor. Schuld, “Pratik olarak analiz edebileceğimiz sorunlar çok küçük,” dedi. Bu nedenle, yeni çalışmanın gösterdiği gibi, kuantum çerçevesine tam olarak uyan durumları bulmak önemlidir.
Kuantum mekaniği ve yapay zekâ arasındaki ilişki; birbirini destekler ve tamamlar mahiyette sonuçlanıyor. Bilim adamları şimdi kuantum fiziği anlayışımızı geliştirmek için klasik makine öğrenimini kullanıyor. AIgoritmaları, örneğin kuantum deneylerinin en baş ağrısına neden olan kısımları sırasında hataları önleyebilen ve zamandan tasarruf sağlayabilen kuantum devrelerinin ince ayarını optimize edebilir. Makine öğrenimi, fizikçilerin kuantum dolaşıklığını tespit etmelerine ve maddenin yeni fazlarını tanımalarına da yardımcı oldu.
Dunjko, “Burada güzel bir sinerji var, Hala tüm olası bağlantıları keşfetmeye yakın değiliz.
Keşfedilecek çok, çok yeni şeyler var.” dedi.
–
Yazar: Hüseyin Türker
Editör: Murat Albayrak
Yoruma kapalı.