آموزش کامپیوترهای کوانتومی برای دیدن درخت‌ها

دانشمندان یک کامپیوتر کوانتومی را برای تشخیص درخت‌ها آموزش داده‌اند. این ممکن نیست یک معامله بزرگ به نظر برسد، اما نتایج این معنی را می‌دهد که پژوهشگران گامی نزدیکتر به استفاده از چنین کامپیوترهایی برای مسائل پیچیده یادگیری ماشین مانند شناسایی الگو و بینایی کامپیوتر برداشته‌اند.

این تیم از یک کامپیوتر D-Wave ۲X که مدل پیشرفته‌‌ای از اولین کامپیوتر کوانتومی ساخته شده در ۲۰۰۷ است استفاده کرد. کامپیوترهای سنتی اخیرا می‌توانند با استفاده از الگوریتم‌های پیچیده الگوها در تصاویر را شناسایی کنند، اما نیاز به مقدار زیادی حافظه و پردازشگر بسیار قوی دارند. دلیل این محدودیت این است که کامپیوترهای کلاسیک اطلاعات را در بیت‌های باینری ۰ یا ۱ ذخیره می‌کنند. در مقابل، کامپیوترهای کوانتومی یک سطح زیر اتمی با استفاده از بیت‌های کوانتومی (یا کیوبیت‌ها) اجرا می‌کنند. بیت‌های کوانتومی می‌توانند همزمان ۱ و ۰ را نمایش دهند. پردازشگری که از کیوبیت‌ها استفاده می‌کند می‌تواند از لحاظ نظری مسائل تعریفی را بسیار سریعتر از یک کامپیوتر سنتی برای مجموعه کوچکی از مسائل شخصی‌سازی حل کند. طبیعیت رایانش کوانتومی و محدودیت‌های کیوبیت‌های برنامه‌‌نویسی این معنا را می‌دهد که مسائل پیچیده‌ای چون بینایی رایانه‌ای خارج از محدوده حل باقی بمانند.

در این مطالعه جدید، فیزیکدانی به نام ادوارد بویدا از کالج اس.تی ماری کالیفرنیا و همکارانش پردازشگر D-Wave 2X که حاوی ۱۱۵۲ کیوبیت با  صدها تصاویر ماهواره‌ای که ناسا از کالیفرنیا گرفته بود را تغذیه کردند. این پژوهشگران می‌خواستند با ملاحظه کردن ده‌ها ویژگی از جمله رنگ، منظر و حتی بازتاب نور تا دسته‌ای از پیکسل‌های موجود در درخت که با پیکسل‌های جاده، ساختمان‌ها، یا رودخانه‌ها در تضاد است را شناسایی کند. سپس به کامپیوتر گفتند ه آیا دسته‌بندی درست یا غلط بوده است به گونه‌ای که کامپیوتر بتواند از اشتباهاتش یاد بگیرد و فرمولی که برای تعیین اینکه چه چیزی درخت است را ارتقا دهد.

«دسته‌بندی یک مسئله مهارت آمیز نیست؛ درختان کوتاه، درختان بلند، و همین‌طور درختان دیگر سطح‌ها، سپس ساختمان‌ها – همه ترتیب‌های دسته‌بندی‌ها هستند،» این گفته یکی از اعضای این تیم به نام راماکریشنا نمانی، دانشمند زمین‌شناس در بخش سوپر کامپیوتر پیشرفته ناسا است.

در بالا، تصاویر ماهواره‌ای گرفته شده توسط ناسا از منظره‌های کالیفرنیا؛ در پایین، رنگ‌ سبز نقاطی است که کامپیوتر D-Wave آن را درخت تشخیص داده است.

بعد از آموزش، کامپیوتر D-Wave  توانست با دقت ۹۰ درصد درخت‌ها را در تصاویر هوایی از میل والی، کالیفرنیا شناسایی کند، این گزارش در PLOS ONE منتشر شد. این تنها کمی دقیق‌تر از کامپیوتر‌های سنتی برای حل چنین مسئله‌هایی بود. اما نتایج نشان می‌دهد که چگونه دانشمندان می‌توانند کامپیوترهای کوانتومی را برای دیدن و تحلیل تصاویر برنامه‌نویسی کنند، و گزینه‌های احتمالی استفاده از آنها برای حل دیگر مسائل پیچیده‌ای که نیاز به کرانچینگ داده‌های سنگین دارد را فرآهم آورد.

برای مثال، نمانی می‌گوید، این مطالعه زمینه‌ای را برای پیش‌بینی بهتر آب و هوا ایجاد می‌کند. یک کامپیوتر کوانتومی با بررسی دقیق عکس‌های هوایی ماهواره ناسا می‌تواند رهیافت یادگیری ماشین برای کشف الگوهای جدید در رابطه با تغییرات آب و هوایی در سراسر دنیا در طول هفته‌ها، ماه‌ها و حتی سال‌ها به دست آورد. «برای مثال شمایی که در هند زندگی می‌کنید، می‌توانید اطلاع دقیقی از تندبادی که ۶ ماه بعد می‌آید داشته باشید، چون الگوی آب و هوایی را در شمال کانادا دیده‌ایم.»

اما قبل از اینکه کامپیوترهای کوانتومی برای حل مسائل محاسباتی پیچیده معمول شوند کارهای بسیار زیادی بایستی انجام شود. «باور مشهوری وجود دارد که کامپیوترهای کوانتومی کارهایی که کامپیوترهای کلاسیک نمی‌توانند انجام دهند را انجام می‌دهند، اما تفاوت تنها در سرعت آنها است.» این گفته ایتای هن، دانشمند کامپیوتر دانشگاه کالیفرنیای جنوبی در آمریکا است، وی درگیر این پژوهش نبود. «این کار خاص نشان نمی‌دهد که دستگاه D-Wave می‌تواند کامپیوترهای معمولی را در شناسایی تصاویر شکست دهد.» هن تاکید کرد که پژوهشگران روش‌هایی برای پر قدرت‌کردن رایانش کوانتومی را جستجو می‌کنند، و بعضی از برنامه‌ها ممکن است آخر خط باشند. «یک برنامه یادگیری ماشین، مانند یکی در این مقاله، یک راهنما» برای کامپیوترهای کوانتومی است.  «اما معلوم نیست که آیا هیچ امیدی به آن وجود داشته باشد.»

دیدگاه‌تان را بنویسید: