Post

Kvantuminformatika és gépi tanulás

Szerző Szabó Dániel
Konzulens Friedl Katalin
Típus Szakdolgozat
Dátum 2018. december 06.
Nyelv magyar
Referencia https://diplomaterv.vik.bme.hu/hu/Theses/Kvantuminformatika-es-gepi-tanulas

Megnyitás

Absztrakt

Napjainkban egyre gyakrabban hallani híreket a kvantuminformatika világából, például új kvantumszámítógépekről vagy kvantumkommunikációs áttörésekről. Ezekkel összefüggésben egyre fontosabb szerep juthat a közeljövőben a kvantumalgoritmusoknak. Szintén nagyon népszerű terület a gépi tanulás, amit rengeteg különböző célra használnak a sakkozógéptől az önvezető autóig. A két terület ötvözése rendkívül ígéretesnek tűnik.

A kvantuminformatika a kvantummechanikából ismert jelenségeken alapul, amely szerint a mikrorészecskék mozgása valószínűségi módon írható le. Ilyen részecskével valósítható meg egy kvantumbit: egyszerre van a két, jól megkülönböztethető klasszikus állapot (0 és 1) szuperpozíciójában, az egyikben $p$, a másikban $1-p$ valószínűséggel. Ilyen módon egy $n$ kvantumbites rendszer egyszerre $2^n$ állapotban van, ennek leírására (azaz az egyes állapotok valószínűségének eltárolására) klasszikus esetben $2^n$-nel arányos darabszámú bit szükséges. Ettől lehet hatékonyabb bizonyos problémák megoldása kvantumszámítógéppel, mint klasszikusan, pl. prímtényezőkre bontás, rendezetlen halmazban keresés stb.

A kanadai D-Wave Systems vállalat volt az első a világon, amely kvantumszámítógépet adott el, a legutóbbi számítógépük 2048 kvantumbites. Bár megoszlanak a vélemények arról, hogy valóban kvantumos elven működő számítógépekről van-e szó, ettől függetlenül érdemes foglalkozni azzal a számítási modellel, amely a gépek mögött van. A modell alapja a Kiméra gráf (Chimera graph), ebbe kell beágyazni a problémákat.

Gépi tanulást (és általában heurisztikus megoldásokat) akkor érdemes használni, ha nem ismert olyan egzakt algoritmus, ami hatékonyan megold egy problémát. Lényege, hogy a gép, ami megoldja a feladatot, “tanul” a korábban már látott esetekből. Ezt ellenőrzött tanulás esetén úgy érjük el, hogy ismert eredménnyel rendelkező tanító adatokat adunk bemenetként, amelyekből a gép egy modellt tud előállítani. Így ha olyan új bemeneteket kap, amelyeknek már nem ismert az eredménye, akkor erre a modell alapján becslést tud mondani.

A dolgozat fő célja egyrészt a különböző kvantuminformatikai számítási modellek ismertetése és néhány NP-teljes gráfelméleti probléma D-Wave kvantumszámítógépen történő megoldásának bemutatása. Másrészt felvázoljuk bizonyos gépi tanulási módszerek kvantum változatát, és egy új bináris osztályozó algoritmust is terveztünk, amely megalkotásánál szempont volt a kvantumos megvalósíthatóság is. A téma jelentősége abban áll, hogy a bemutatott problémák hatékonyabb megoldása válhat lehetővé egy jövőbeli kvantumszámítógépen.