В Google научили квантовый компьютер распознавать образы

Исследователи из Google заявили, что им удалось заставить квантовый компьютер распознавать автомобили на фотографиях. Об этом сообщается на официальном блоге компании.

Работа была выполнена в сотрудничестве с канадской компанией D-wave, которая предоставила для работы чип Chimera. В настоящее время, правда, далеко не все физики согласны с тем, что данный чип действительно является квантовым компьютером в том смысле, в котором теоретики понимают этот термин.

В рамках проведенной работы исследователи использовали так называемый адиабатический алгоритм. Суть этого алгоритма заключается в следующем. Рассмотрим систему, состояния которой являются решением некоторой известной задачи. Затем, достаточно медленно и адиабатически (то есть без обмена теплом с внешней средой), «продеформируем» систему к другой, которой соответствует изучаемая задача. Утверждается, что «деформированные» состояния новой системы будут представлять искомые решения.

Используя подобный алгоритм, ученые пытались «научить» систему распознавать на картинке автомобили. Для этого алгоритму скормили 20 тысяч фотографий, на половине из которых были автомобили. Каждое из транспортных средств было вручную помещено в специальную рамку. После этого системе дали поработать с необработанными фотографиями. В результате чип справился, по словам ученых, быстрее чем любая из систем Google. Ученые подчеркивают, что до практического применения новой технологии пока еще далеко.

Совсем недавно ученым удалось создать первый программируемый квантовый (в «правильном» смысле этого слова) компьютер. Машина ученых работает с двумя кубитами, которые могут одновременно находиться в двух состояниях. В новой установке эти объекты реализованы как ионы бериллия в миниатюрной (около 200 нанометров) магнитной ловушке.

***

Квантовый компьютер здесь используется для обучения нейросети. Для оптимизации применяется квантовый адиабатный алгоритм (Quantum Adiabatic Algorithm). Если все так и есть, то это очень серьезный прорыв в области проектирования нейросетей, а следовательно и разработки различных систем ИИ, так-как теперь будет много проще добиться обучения сложной нейросети и даже возможно найти глобальный минимум ошибки, не блуждая бесконечно по локальным минимумам.

Источник