早在 1958 年,在计算革命的早期,美国海军研究办公室召开了一次新闻发布会,公开了由康奈尔航空实验室的心理学家Frank Rosenblatt发明的一个设备。Rosenblatt 称他的设备是一个感知器,《纽约时报》报道称,这是“海军所期望的能够走、说、看、写、自我复制,并意识到自己存在的电子计算机的雏形。”
事实证明,这些宣传有点言过其实。但是,该设备开启了一个如今仍具有巨大潜力的研究领域。
感知器是一种单层神经网络。近年来引起人们浓厚兴趣的深度学习网络就是感知器的直接发展成果。虽然 Rosenblatt 的设备从未实现那些过于夸大的潜力,但人们仍希望它的某个后代能够做到这一点。
1. 问题
现在,另一场信息处理革命正在萌芽:量子计算。这引出了一个有趣的问题:是否有可能在量子计算机上实现感知器,如果有可能,那么该感知器会有多强大?
如今,得益于 Francesco Tacchino 及其在意大利帕维亚大学的同事的共同努力,我们得到了一个答案。这群人构建了全球第一个在量子计算机上实现的感知器,然后将它应用到一些简单的图像处理任务上。
在最简单的形式中,感知器采用矢量输入(一组数字),然后将它乘以一个加权矢量,以产生一个单数输出。如果此数字高于某个阈值,则输出为 1,如果此数字低于阈值,则输出为 0。
此方法有一些有用的应用。想象一下,在呈现某个特定图案时,一个像素阵列产生一组光强度级别 - 每个像素一个级别。在将这组数字输入感知器时,就会生成 1 或 0 的输出。可以调节加权矢量和阈值,使感知器在看到一只猫时输出 1,在其他所有情况下输出 0。
Tacchino 和同事在量子计算机上重复了 Rosenblatt 的早期工作。实现此成果的技术是 IBM 的 Q-5 “Tenerife”超导量子处理器。这是一台能处理 5 个量子位的量子计算机,而且能编写量子算法的任何人都可以通过网络对其进行编程。
Tacchino 和同事创建了一个算法,将经典矢量(比如图像)作为输入,并将其与一个量子加权矢量相结合,然后生成 0 或 1 的输出。
2. 优势
量子计算的巨大优势在于,它能处理的维数呈指数级增长。如果经典感知器能处理一个 N 维输入,量子感知器就能处理2^n 维输入。
Tacchino 和同事在 IBM 的 Q-5 处理器上证明了这一点。由于量子位数较少,该处理器能处理的维数 N= 2。这相当于一个 2x2 黑白图像。研究人员随后问到:这个图像是包含水平或垂直线条还是棋盘图案?
结果表明,量子感知器可以轻松地对这些简单图像中的图案进行分类。Tacchino 和同事表示:“我们展示了这个量子感知器模型可以作为简单图案的基本非线性分类器。”
他们进一步展示了如何在更复杂的图案中使用它,尽管它在某种程度上受到量子处理器所能处理的量子位数的限制。
这是一项非常有趣的工作,有着巨大的潜力。Rosenblatt 等人很快发现,一个感知器只能对非常简单的图像(比如直线)进行分类。但是,其他科学家发现,将感知器组合成为多层可以实现更大的潜力。
结合其他各种进步和调整,人们创造出了能像人一样准确识别物体和面部,甚至打败最优秀的人类国际象棋和围棋选手的机器。
Tacchino 和同事的量子感知器也处于类似的早期发展阶段。未来的目标是对类似灰度图像的图像进行编码,并将量子感知器组合成多层网络。
这个团队的工作具有这种潜力。他们表示:“我们的程序是完全通用的,可以在任何能够进行通用量子计算的平台上实现和运行。”
当然,限制因素是能够处理更多量子位的更强大量子处理器的可用性。但大多数量子研究人员都认为这种能力很快将会实现。
事实上,自 Tacchino 和同事开展他们的工作以来,IBM 已经通过网络提供了一个 16 量子位的量子处理器。量子感知器变得更强大只是时间问题。
Francesco Tacchino, Chiara Macchiavello, Dario Gerace, Daniele Bajoni,《在真实量子处理器上实现的人工神经元》
本文转载自MIT Technology Review,“Emerging Technology from the arXiv”blog
温馨提示
联系客服