2014 júniusában Ian Goodfellow és néhány társa felvetette egygeneratív ellenséges hálózat ötletét. Ha egyáltalán ismeri a gépi tanulást, valószínűleg hallott már a GAN-okról (vagy talán a qGAN-okról).

Ha azonban még nem, ne aggódj; jó helyre jöttél. Ha többet szeretne megtudni, olvassa el az egyszerű és tömör lebontást a kvantumgeneratív AI-ról.

A Generatív Adversarial Network (GAN) a gépi tanulási modell egy olyan típusa, amely képes az eredetileg megadott képzési adatokhoz hasonló új adatokat generálni. Az ML ezen osztályának köszönhetően a vállalatok képesek voltak pontos ábrázolásokat készíteni olyan dolgokról, amelyek nem is léteznek –és még sok más.

Amint azt az „ellenálló” szó használatával feltételezhetjük, a GAN-ok generátorból és megkülönböztetőből állnak; két neurális hálózat, amelyek versenyeznek egymással egy nulla összegű játékban.

A GAN generátora megtanul új adatokat előállítani, amelyek hasonlóak a betanított adatokhoz, míg megfelelője, a diszkriminátor megtanulja megkülönböztetni a valós és a generált adatokat. A diszkriminátor ezután bináris kimenetet állít elő, jelezve, hogy szerinte az elemzett adatok valódiak vagy hamisak, majd ezt visszacsatolják a generátorba iteráció céljából.

Ezen a kontradiktórius képzési folyamaton keresztül a generátor jobban képes valósághű adatokat előállítani, míg a megkülönböztető jobban azonosítja a hamis adatokat. A végső cél azonban az, hogy a GAN elérje a konvergencia állapotát, ahol a generátor annyira hatékony, hogy a megkülönböztető esélye a hamis és valós adatok megkülönböztetésére megközelíti az érmefeldobás esélyét – 50/50 .

Ebben a helyzetben a GAN sikeresen képes bármilyen típusú adatot előállítani a kezdeti adatkészlete alapján. Ha a megkülönböztető már nem tud különbséget tenni a valódi és a mesterségesen létrehozott között, valószínűleg az ember sem lesz képes rá.

Kvantumszámítás hozzáadása a keverékhez

A GAN-ok azonban nem tökéletesek.

Számítási szempontból meglehetősen drágák lehetnek, mivel több kimenetet próbálunk előállítani, és sok erőforrást igényelnek. Ennek az az oka, hogy a GAN-oknak nagyszámú iterációra van szükségük a hatékony képzéshez, és minden iteráció magában foglalja a generátor és a diszkriminátor előre és hátra lépésének kiszámítását.

A kvantumtechnológiának a keverékbe való integrálásával azonban ez a probléma sokkal könnyebben kezelhető.

A Quantum Generative Adversarial Networks (qGAN) kvantumalgoritmusokat és hardvert használ szintetikus adatok előállításához. A gyakorlatban paraméterezett kvantumáramköröket integrálnak a diszkriminátorba, generátorba, adatkészletbe (ebben az esetben a kezdeti adatpontok kvantumállapotokon keresztül jelennek meg), vagy akár a három különböző kombinációiba em>.

Az egyszerűség kedvéért nézzük meg, hogyan nézne ki a generatív folyamat a kvantum minden komponensbe integrálásával.

A qGAN képzésének kezdetén a kvantumgenerátor a klasszikushoz hasonlóan működik. Segítség nélkül megkísérli tükrözni az adatokat a valós adatkészletből, majd a kimenetet (kvantumállapotként) adja a megkülönböztetőnek.

A két kvantumhálózat ezután oda-vissza egymásba táplálkozik, a generátor pedig valósághűbb kimeneteket próbál létrehozni, a diszkriminátor pedig megpróbálja javítani a differenciálási képességeit.

A qGAN-okban azonban a diszkriminátor és a generátor másképpen optimalizálja a hatékonyságát, mint a klasszikus társaik. Ehelyett arra törekszenek, hogy megkeressék az ideális paramétereket a tökéletes kvantumállapot meghatározásához.

Ebben az összefüggésben a kvantumneurális hálózat paraméterei azok a beállítható értékek, amelyek meghatározzák a hálózat viselkedését. Ezeket az értékeket a képzési folyamat során állítják be, és módosíthatók a hálózat teljesítményének optimalizálása érdekében egy adott feladathoz.

Tehát a gyakorlatban ez a folyamat magában foglalja a generátor és a diszkriminátor áramkörök váltakozását. Eközben az egyik paramétereit állandónak kell tartani a másik edzése közben, hogy az egyik körben bekövetkező változások ne zavarják a másik edzését.

Az idő előrehaladtával a végső szándék ugyanaz lesz, mint amit egy normál GAN-ban megfigyelnénk. Ideális esetben a megkülönböztető már nem tudna pontosan különbséget tenni a valódi kvantumállapotok és a generátor által létrehozott kvantumállapotok között. A diszkriminátor sikerének valószínűsége ismét megközelíti az érmefeldobásét – 50/50.

És akkor mi van?

Nos, amint már említettük, a qGAN-ok és a GAN-ok közötti kulcsfontosságú különbségek egyike az, hogy az előbbiek kvantumállapotokat használhatnak a valószínűségi eloszlások helyett az adatok előállításához.

Ezek a kvantumállapotok azonban hasznosabbak, mint azt elsőre gondolnánk. Használhatók összetett adatstruktúrák, például gráfok és molekulák ábrázolására, amelyeket nehéz klasszikus valószínűségi eloszlással ábrázolni.

Ezenkívül a qGAN-ok potenciálisan kihasználhatják a kvantum-párhuzamot, hogy sokkal gyorsabban generáljanak adatokat, mint a klasszikus GAN-ok. A kvantumáramkörök ugyanis számos műveletet képesek párhuzamosan végrehajtani, ami hasznos lehet nagy mennyiségű adat előállításához.

Mint ilyen, nem túl nehéz arra a felismerésre jutni, hogy a qGAN teljesen különbözik kezdeti származékától, a klasszikus GAN-tól. Szóval, ki tudja? Ahogy a kvantumtechnológia folyamatosan javul, a qGAN-ok egyre rombolóbb eszközzé válhatnak számos iparágban, a kvantumkémiától a modern pénzügyekig.

A lehetőségek végtelenek, a lehetőségek pedig hatalmasak, így már csak azon tűnődünk, milyen kvantugrások várnak ránk a generatív modellezés jövőjében.

Szia! a nevem Samay! Középiskolás vagyok, akit érdekel a körülöttem lévő világ, és jelen pillanatban a kvantumszámítás és annak alkalmazásai iránt érdeklődöm. Ha tetszett a cikkem, csatlakozzon a "havi hírlevelemhez", és vegyen fel a "LinkedIn"-re, hogy lépést tarthasson az új projektekkel és frissítésekkel! Nyugodtan írj nekem e-mailt a [email protected] címre, ha csatlakozni szeretnél!

Ez a cikk a Qiskit’s Quantum Machine Learning Course-ra hivatkozva készült.