Gépi tanulás és kvantuminformatika

Absztrakt (kivonat)

Napjainkban egyre többet hallhatunk a kvantuminformatikáról, amely a klasszikus informatikától teljesen eltérő, kvantummechanikai alapokon működve jelentős számítási előnyöket biztosít a hagyományos architektúrákkal szemben. Így az előzetes várakozások alapján számos, jelenleg nehezen és lassan megoldható probléma válik teljesíthetővé a kvantumalgoritmusok által. Mivel az elmúlt években hatalmas fejlődés ment végbe a kvantuminformatika területén, különösen a hardverek oldalán, így egyre több cég (pl. IBM, Microsoft, Google) lát potenciált a kvantumszámítógépek építésében, hozzáférhetővé tételében. Egyes architektúrák már kereskedelmi forgalomban is kaphatók, azonban szélesebb elterjedésüket az ingyenes, felhő- alapú szolgáltatás formájában történő elérésük biztosítja. Ezekhez a rendszerekhez szabványos programozási nyelveket és fejlesztői környezeteket hoztak létre, így biztosítva bárki számára, hogy megismerkedhessen ezen új informatikai paradigmával és a benne rejlő lehetőségekkel. A kvantumalgoritmusok fejlesztése tehát egy kiterjedtebb kör számára vált elérhetővé, fő fókuszukban pedig jelenleg olyan témák állnak, mint a gépi tanulási és optimalizálási feladatok kutatása. Jelen kutatásban arra kerestem a választ, hogy a mindenki számára elérhető, Python alapú szoftver-megoldások esetén megfigyelhető-e a technológiailag megjósolt kvantumfölény, vagyis az előzetes várakozásoknak megfelelően valóban jobban és gyorsabban teljesít-e egy kvantum megoldás a klasszikus megoldásokkal szemben. Ezt kvantum és klasszikus gépi tanuló algoritmusok pontosságának és teljesítményének összehasonlításával vizsgáltam meg. Publikusan elérhető adatbázisok felhasználásával bináris klasszifikációs problémára hasonlítottam össze egy, a szakirodalomban már publikált kvantum neurális hálózatot klasszikus Support Vector Machine és k-Nearest Neighbor algoritmusokkal, valamint egy szintén klasszikus alapon működő automatizált gépi tanulás segítségével összeválogatott algoritmus-együttessel. Az összehasonlításkor megvizsgáltam az osztályozás olyan pontossági jellemzőit, mint az accuracy, precision, recall, F1, AUC, valamint a tanuláshoz és osztályozáshoz szükséges időket. A kapott eredményeim nem igazolták a kvantum gépi tanuló algoritmus fölényét. A vizsgálat során azt tapasztaltam, hogy a pontossági jellemzők esetén a kvantum gépi tanuló algoritmus megközelítette a klasszikusokat, de a betanítás ideje lényegesen hosszabb volt. Kutatásom eredményei alátámasztják a szakirodalomból ismert véleményt, hogy az általam is használt hibrid megoldás - a kvantumosság hozzáadása a klasszikus gépi tanuláshoz - nem igazi megoldás. A valóban eredményes megoldásokhoz olyan új algoritmusok kellenek, amelyek képesek a kvantumtulajdonságok kihasználása mellett hatékonyan elemezni az adatokat.