Geleceği Gören Makine: AI ve Kuantum Birleşince Tahmin Gücü Sınırları Aştı
Kuantum hesaplama, karmaşık ve kaotik sistemleri tahmin etmede yapay zekaya büyük bir ivme kazandırıyor. Yeni hibrit yaklaşım daha doğru, daha kararlı ve çok daha verimli.
UCL (University College London) araştırmacıları, karmaşık fiziksel sistemlerin zaman içinde nasıl davrandığını daha iyi tahmin etmek için kuantum hesaplamayı yapay zeka ile birleştiren yeni bir yaklaşım geliştirdiler. Çalışmaları, bu hibrit yöntemin yalnızca geleneksel hesaplamaya dayanan en gelişmiş yapay zeka modellerinden daha iyi performans gösterdiğini ortaya koyuyor.
Science Advances’te yayınlanan bulgular, sıvıların ve gazların nasıl hareket ettiğini ve etkileşimde bulunduğunu (akışkan dinamiği) daha doğru modellere yol açabilir. Bu tür tahminler, iklim bilimi, ulaşım, tıp ve enerji üretimi gibi alanlarda çok önemlidir.
Kuantum Bilgisi Yapay Zeka Performansını Nasıl İyileştiriyor?
Ekip, iyileştirilmiş sonuçları kuantum bilgisayarların bilgiyi depolama ve işleme biçimine bağlıyor. Geleneksel bilgisayarlar, 1 veya 0 olan bitlere dayanır. Buna karşılık, kuantum bilgisayarlar, 1, 0 veya aradaki herhangi bir değer olarak var olabilen kübitleri kullanır. Ayrıca, kübitler birbirlerini etkileyebilir; bu da az sayıda kübitin bile çok çeşitli olası durumları temsil etmesine olanak tanır.
UCL Kimya Bölümü ve İleri Araştırma Hesaplama Merkezi’nden kıdemli yazar Profesör Peter Coveney şunları açıkladı: “Karmaşık sistemler hakkında tahminlerde bulunmak için ya haftalar sürebilecek – genellikle faydalı olamayacak kadar uzun – tam bir simülasyon çalıştırabiliriz ya da daha hızlı ancak daha uzun zaman ölçeklerinde daha güvenilmez olan bir yapay zeka modeli kullanabiliriz.
“Kuantum bilgisine dayalı yapay zeka modelimiz, daha doğru tahminleri hızlı bir şekilde sağlayabileceğimiz anlamına geliyor. Akışkan akışı ve türbülans hakkında tahminlerde bulunmak temel bir bilimsel zorluktur, ancak aynı zamanda birçok uygulamaya da sahiptir. Yöntemimiz iklim tahminlerinde, kan akışının ve moleküllerin etkileşiminin modellenmesinde veya daha fazla enerji üretecek şekilde rüzgar çiftliklerinin daha iyi tasarlanmasında kullanılabilir.”
QM donanımı. Kaynak: IQM
Hibrit Kuantum-Yapay Zeka Eğitim Yöntemi
Kuantum bilgisayarların güç bakımından klasik makineleri geçmesi beklenmesine rağmen, pratik uygulamaları bugüne kadar sınırlı kalmıştır. Bu yeni yöntem, yapay zeka eğitim sürecinin önemli bir aşamasında bir kuantum bilgisayar kullanmaktadır.
Normalde, yapay zeka modelleri simülasyonlar veya gözlemler yoluyla oluşturulan büyük veri kümelerinden öğrenir. Bu yaklaşımda, veriler önce zaman içinde sabit kalan önemli istatistiksel kalıpları belirleyen bir kuantum bilgisayar tarafından işlenir. Değişmez istatistiksel özellikler olarak bilinen bu kalıplar, daha sonra geleneksel bir süper bilgisayarda çalışan bir yapay zeka modelini eğitmek için kullanılır.
Daha Yüksek Doğruluk ve Verimlilik
Sonuçlar, kuantumdan türetilmiş kalıpları içermeyen standart bir yapay zeka modeline kıyasla kuantumdan bilgilendirilmiş yapay zeka modelinin yaklaşık %20 daha doğru olduğunu gösterdi. Ayrıca, kaotik sistemleri modellerken daha uzun zaman dilimlerinde tahminlerinde istikrarı korudu.
Geliştirilmiş doğruluğa ek olarak, yöntem çok daha verimliydi. Yüzlerce kat daha az bellek gerektirdi ve bu da onu büyük ölçekli simülasyonlar için umut vadeden bir seçenek haline getirdi.
Kuantum Avantajının Arkasındaki Etkiler
Bu verimlilik, kuantum fiziğinin iki temel özelliğinden kaynaklanmaktadır. Dolanıklık, kuantum bitlerinin mesafeden bağımsız olarak birbirlerini etkilemesine olanak tanırken, süperpozisyon bir kuantum bitinin ölçülene kadar aynı anda birden fazla durumda bulunmasına olanak tanır. Birlikte, bu özellikler, kuantum sistemlerine az sayıda kuantum bitiyle bile önemli bir hesaplama gücü kazandırır.
Pratik Kuantum Avantajının Kanıtı
UCL Hesaplamalı Bilimler Merkezi’nden ilk yazar Maida Wang şunları söyledi: “Yeni yöntemimiz, pratik bir şekilde ‘kuantum avantajı’nı gösteriyor gibi görünüyor; yani, kuantum bilgisayar, yalnızca klasik hesaplamayla mümkün olandan daha iyi performans gösteriyor. Bu bulgular, daha yüksek doğruluk elde eden yeni klasik yaklaşımların geliştirilmesine ilham verebilir, ancak muhtemelen yöntemimizin sunduğu olağanüstü veri sıkıştırma ve parametre verimliliğinden yoksun kalacaklardır. Sonraki adımlar, yöntemi daha büyük veri kümeleri kullanarak ölçeklendirmek ve tipik olarak daha da karmaşık olan gerçek dünya durumlarına uygulamaktır. Ayrıca, kanıtlanabilir bir teorik çerçeve önerilecektir.”
UCL’deki İleri Araştırma Hesaplama bölümünden ortak ilk yazar Xiao Xue şunları ekledi: “Bu çalışmada, kuantum hesaplamanın akışkan mekaniği de dahil olmak üzere karmaşık dinamik sistemlerin üstesinden gelmek için klasik makine öğrenme yöntemleriyle anlamlı bir şekilde entegre edilebileceğini ilk kez gösteriyoruz. Bu tür ‘kuantum bilgili’ yaklaşımın pratik kullanıma doğru ilerlediğini görmek heyecan verici.”
Kaosun Doğasını Yakalamak
Araştırmacılar, kuantum bilgisayarların altta yatan fiziği verimli bir şekilde temsil edebildikleri için bu sistemleri modellemek için özellikle uygun olduğuna inanıyorlar. Birçok karmaşık sistem, bir bölgedeki değişikliklerin uzak bölgeleri etkileyebildiği (tıpkı dolanıklık gibi) kuantum etkilerine benzeyen şekillerde davranır.
Mevcut Kuantum Sınırlamalarının Üstesinden Gelmek
Günümüzün kuantum bilgisayarları hala gürültü, hatalar ve girişimle sınırlıdır ve bu da birçok tekrarlanan ölçüm gerektirebilir. Ekip, kuantum ve klasik sistemler arasında tekrar tekrar veri aktarmak yerine, kuantum bilgisayarı sürecin yalnızca bir aşamasında kullanarak bu sorunu ele aldı.
Çalışma Detayları ve Gelecekteki Uygulamalar
Araştırmada, Almanya’daki Leibniz Süper Bilgisayar Merkezi’nde bulunan klasik süper bilgisayar kaynaklarına bağlı 20 kübitlik bir IQM kuantum bilgisayar kullanıldı.
Çalışmak için kuantum bilgisayarların son derece düşük sıcaklıklara, yaklaşık -273 °C’ye (mutlak sıfıra yakın, uzaydaki her şeyden daha soğuk) soğutulması gerekir.
Kaynak: https://scitechdaily.com
Evrensel Kuantum Bilgisayarın Kilidini Açabilecek Kayıp Parçacık