Onderzoekers en ontwikkelaars willen er daarom voor zorgen dat de software het meest optimale model bedenkt – dat wil zeggen: uitbreiding van de hoeveelheid en verbetering van de kwaliteit van de trainingsgegevens die naar de machine learning-software worden gestuurd. Dit proces gaat onvermijdelijk gepaard met hogere kosten en veel langere trainingstijden. 

Het delegeren van sommige delen van het proces naar een kwantumcomputer zou deze problemen kunnen oplossen, door de tijd die nodig is om een ​​machine-leermodel te trainen of te evalueren, te versnellen, maar ook door de zogenaamde feature space enorm te vergroten – de verzameling functies die worden gebruikt om de gegevens die aan het model worden ingevoerd te karakteriseren, bijvoorbeeld “geslacht” of “leeftijd” als het systeem wordt getraind om patronen over mensen te herkennen. 

Terwijl klassieke computers worden beperkt door de rekenkracht die nodig is voor grote feature-ruimtes, wordt van kwantumcomputers verwacht dat ze – zodra de technologie volwassen genoeg is – uitblinken in het uitvoeren van grote berekeningen in korte tijd. 

Nu quantum computing nog in de kinderschoenen staat, is veel van het werk rond quantum machine learning theoretisch en nog steeds afhankelijk van de schaalvergroting van quantum devices in de toekomst; maar een groeiend aantal onderzoekers toont niettemin interesse om dieper in te gaan op de kansen die de technologie ooit zou kunnen ontsluiten. 

“Kwantumberekening biedt nog een mogelijke manier om de kracht van machine-leermodellen te vergroten, en de bijbehorende literatuur groeit in een ongelooflijk tempo”,  aldus het Qiskit-applicatieteam . “Quantum machine learning stelt nieuwe typen modellen voor die gebruik maken van de unieke mogelijkheden van kwantumcomputers om bijvoorbeeld in exponentieel hoger-dimensionale feature-ruimtes te werken om de nauwkeurigheid van modellen te verbeteren.

“Het gebruik van klassieke en kwantum-machine-leermodellen kan onderzoekers in staat stellen de kwantumchemie en -fysica beter te begrijpen, waardoor tal van nieuwe toepassingen en onderzoeksrichtingen worden geopend.” 

Maar zelfs voor de meest gewiekste ontwikkelaar van machine learning kan een sprong in de wereld van kwantum een ​​ontmoedigend vooruitzicht zijn – daarom heeft Qiskit de nieuwe module uitgebracht, met de belofte dat het ontwerp van het programma ontwikkelaars in staat stelt een prototype te maken van een model, zelfs zonder vakkennis. van quantum computing. 

Qiskit Machine Learning biedt bijvoorbeeld QuantumKernel, een tool die kernelmatrices voor een bepaalde dataset in een kwantumraamwerk berekent. Dit is de eerste stap op weg naar het in kaart brengen van gegevens in een exponentieel hoger-dimensionale functieruimte die een nauwkeurigere training kan bieden voor modellen voor machinaal leren. 

De nieuwe module bevat ook meerdere implementaties van kwantumneurale netwerken, evenals leeralgoritmen om ze te trainen en te gebruiken, zodat ontwikkelaars hun eigen netwerken kunnen bouwen en testen. 

Ten slotte stelt Qiskit Machine Learning gebruikers in staat om hun nieuwe quantum neurale netwerken rechtstreeks te integreren in de PyTorch open-source machine learning-bibliotheek. De PyTorch-bibliotheek, een door Facebook ontwikkeld platform, wordt voornamelijk gebruikt voor toepassingen zoals computervisie en natuurlijke taalverwerking.