Российские ученые определили практическое применение квантовым алгоритмам в вычислительной биологии
В области вычислительной биологии, квантовые вычисления могут быть полезны уже в перспективе 3-5 лет: задачи квантовой химии, предсказание белковых структур и взаимодействия белков с малыми молекулами (потенциальными лекарствами), а также ускорение сборки геномов. Квантовый компьютер ускорит алгоритмы оптимизации и машинного обучения при обработке биологических данных. Так, одни из ключевых задач квантовой химии — изучение биохимических реакций и точная характеристика биологических систем на молекулярном уровне — могут быть решены принципиально в ином масштабе, чем при использовании классических вычислительных устройств.
Подробнее в научном обзоре руководителя научной группы «Квантовые информационные технологии» Российского квантового центра Алексей Федорова и вице-президента по биомедицинским исследованиям Сколтеха Михаила Гельфанда:
www.nature.com
Кратко о результатах на сайте Научной России:
scientificrussia.ru
#квантовые_вычисления #отчет
_______
Source: https://t.iss.one/quantradar/33
В области вычислительной биологии, квантовые вычисления могут быть полезны уже в перспективе 3-5 лет: задачи квантовой химии, предсказание белковых структур и взаимодействия белков с малыми молекулами (потенциальными лекарствами), а также ускорение сборки геномов. Квантовый компьютер ускорит алгоритмы оптимизации и машинного обучения при обработке биологических данных. Так, одни из ключевых задач квантовой химии — изучение биохимических реакций и точная характеристика биологических систем на молекулярном уровне — могут быть решены принципиально в ином масштабе, чем при использовании классических вычислительных устройств.
Подробнее в научном обзоре руководителя научной группы «Квантовые информационные технологии» Российского квантового центра Алексей Федорова и вице-президента по биомедицинским исследованиям Сколтеха Михаила Гельфанда:
www.nature.com
Кратко о результатах на сайте Научной России:
scientificrussia.ru
#квантовые_вычисления #отчет
_______
Source: https://t.iss.one/quantradar/33
Nature
Towards practical applications in quantum computational biology
Nature Computational Science - Quantum computing has the potential to assist with myriad tasks in science. In this Perspective, the applicability and promising directions of quantum computing in...
Прорыв к квантовому ИИ и квантовому превосходству.
Доказана теорема упрощения Гильбертова пространства обучения квантового ИИ до нескольких точек.
Для машинного обучения ИИ значение этого прорыва команды проекта «За пределами закона Мура» может стать в один ряд с прорывом команды Манхэттенского проекта, нашедшей путь к созданию атомной бомбы.
Удивительно, что оба эти прорыва совершены с интервалом в 80 лет в одной и той же Лос-Аламосской национальной лаборатории США – детище великих Ванневара Буша и Роберта Оппенгеймера.
Но еще больше меня поражает, что как и с атомной бомбой, прорыв стал возможен благодаря лишь творческой гениальности нескольких теоретиков, совершивших открытие не на каком-то дорогущем оборудовании типа коллайдера, а буквально на кончике пера – на сей раз, доказав 4 новых теоремы.
• Для машинного обучения (МО) современных систем искусственного интеллекта (ИИ) требуются колоссальные объемы данных. Для их обработки при обучении моделей необходима огромная вычислительная мощность.
• На пути роста вычислительной мощности закон Мура, преодолеть который разработчики надеются переходом на квантовые компьютеры и квантовое МО.
• Для процесса квантового МО количество параметров или переменных будет определяться размером математической конструкции, называемой Гильбертовым пространством, которое становится экспоненциально большим при обучении на большом количестве кубитов (кубит, или квантовый бит, является основной вычислительной единицей квантовых вычислений и аналогичен биту в классических вычислениях). Такой размер Гильбертового пространства делает квантовое МО практически невозможным в вычислительном отношении.
• До сего времени предполагалось, что Гильбертово пространство для всего-то 30 кубитов будет состоять из миллиарда состояний. И тогда при обучении модели для поиска в этом пространстве потребуется миллиард точек данных.
И вот прорыв. Из доказанных теоретиками Лос-Аламосской лаборатории 4-х теорем следует, что при квантовом МО не нужно шерстить все Гильбертово пространство, а нужно лишь столько точек данных, сколько параметров в вашей модели. Для многих моделей число параметров, примерно, равно количеству кубитов —т.е. для квантового компа с 30 кубитами потребуется всего около 30 точек данных.
Значение этого прорыва огромно, т.к. оно даёт гарантии эффективности даже для классических алгоритмов, имитирующих квантовые модели ИИ. В этом случае обучающие данные и компиляцию модели можно обсчитывать на классическом компьютере (что упрощает процесс). А затем модель МО запускается на квантовом компьютере.
Это существенно снижает требования к производительности квантового компьютера, в отношении шума и ошибок при выполнения значимых квантовых симуляций.
Из чего следует, что мы все ближе к практической реализации квантового превосходства.
Подробней:
- популярно
- научно
#квантовые_вычисления #ИИ
_______
Источник | #theworldisnoteasy
Доказана теорема упрощения Гильбертова пространства обучения квантового ИИ до нескольких точек.
Для машинного обучения ИИ значение этого прорыва команды проекта «За пределами закона Мура» может стать в один ряд с прорывом команды Манхэттенского проекта, нашедшей путь к созданию атомной бомбы.
Удивительно, что оба эти прорыва совершены с интервалом в 80 лет в одной и той же Лос-Аламосской национальной лаборатории США – детище великих Ванневара Буша и Роберта Оппенгеймера.
Но еще больше меня поражает, что как и с атомной бомбой, прорыв стал возможен благодаря лишь творческой гениальности нескольких теоретиков, совершивших открытие не на каком-то дорогущем оборудовании типа коллайдера, а буквально на кончике пера – на сей раз, доказав 4 новых теоремы.
• Для машинного обучения (МО) современных систем искусственного интеллекта (ИИ) требуются колоссальные объемы данных. Для их обработки при обучении моделей необходима огромная вычислительная мощность.
• На пути роста вычислительной мощности закон Мура, преодолеть который разработчики надеются переходом на квантовые компьютеры и квантовое МО.
• Для процесса квантового МО количество параметров или переменных будет определяться размером математической конструкции, называемой Гильбертовым пространством, которое становится экспоненциально большим при обучении на большом количестве кубитов (кубит, или квантовый бит, является основной вычислительной единицей квантовых вычислений и аналогичен биту в классических вычислениях). Такой размер Гильбертового пространства делает квантовое МО практически невозможным в вычислительном отношении.
• До сего времени предполагалось, что Гильбертово пространство для всего-то 30 кубитов будет состоять из миллиарда состояний. И тогда при обучении модели для поиска в этом пространстве потребуется миллиард точек данных.
И вот прорыв. Из доказанных теоретиками Лос-Аламосской лаборатории 4-х теорем следует, что при квантовом МО не нужно шерстить все Гильбертово пространство, а нужно лишь столько точек данных, сколько параметров в вашей модели. Для многих моделей число параметров, примерно, равно количеству кубитов —т.е. для квантового компа с 30 кубитами потребуется всего около 30 точек данных.
Значение этого прорыва огромно, т.к. оно даёт гарантии эффективности даже для классических алгоритмов, имитирующих квантовые модели ИИ. В этом случае обучающие данные и компиляцию модели можно обсчитывать на классическом компьютере (что упрощает процесс). А затем модель МО запускается на квантовом компьютере.
Это существенно снижает требования к производительности квантового компьютера, в отношении шума и ошибок при выполнения значимых квантовых симуляций.
Из чего следует, что мы все ближе к практической реализации квантового превосходства.
Подробней:
- популярно
- научно
#квантовые_вычисления #ИИ
_______
Источник | #theworldisnoteasy
Quantum Insider
Quantum AI May Need Only Minimal Data — Proof Takes Step Toward Quantum Advantage
Training a quantum neural network requires only a small amount of data, according to a new proof from Los Alamos National Lab.