مرز بعدی در یادگیری ماشین – مقیاس کوانتومی

مقدمه: محدودیت های مقیاس بندی کلاسیک

دنیایی را تصور کنید که در آن ماشین‌ها سریع‌تر از همیشه یاد می‌گیرند، و مشکلاتی را که زمانی غیرقابل حل تصور می‌شد، حل می‌کنند، که توسط پتانسیل تحول‌آفرین قدرت می‌گیرد. محاسبات کوانتومی. با این حال، همانطور که مدل‌های هوش مصنوعی بزرگ‌تر و قدرتمندتر می‌شوند، ابزارهایی که برای آموزش آن‌ها به آن‌ها تکیه می‌کنیم، برای ادامه دادن تلاش می‌کنند.

هزینه های محاسباتی و انرژی آموزش این مدل ها مانند GPT-4 و جانشینان آن، با آموزش در مقیاس بزرگ که به اندازه کل شهرها انرژی مصرف می کند، به موانعی ناپایدار تبدیل شده اند. (برای جزئیات بیشتر، به گزارش «انرژی و سیاست ملاحظات برای یادگیری عمیق در هوش مصنوعی» مراجعه کنید.) برای مثال، OpenAI’s GPT-3 طبق گزارش ها، آموزش 1287 مگاوات ساعت برق مصرف می کند که معادل مصرف انرژی سالانه 120 خانه متوسط ​​ایالات متحده است.

اینجاست که مقیاس کوانتومی – اصطلاحی که کاربرد محاسبات کوانتومی برای مقیاس یادگیری ماشین را توصیف می کند – وارد می شود. با پرداختن به محدودیت های رو به رشد سیستم های کلاسیک، مقیاس کوانتومی نگاهی اجمالی به آینده هوش مصنوعی ارائه می دهد: آموزش سریع تر، کاهش مصرف انرژی، و یک جهش در توانایی

این مقاله بررسی خواهد کرد که مقیاس کوانتومی چیست، چگونه با یادگیری ماشین تلاقی می کند، و چگونه ما از چالش های اولیه به آستانه یک انقلاب کوانتومی سفر کرده ایم.

ریشه های یادگیری ماشینی

ماشین…