Object Detection Using Quantum Transfer Learning

In de wereld van kunstmatige intelligentie worden computers steeds beter in het herkennen van wat dingen zijn. Ze kunnen naar een foto kijken en vertellen dat er een hond op een kleed zit. Maar een moeilijkere uitdaging blijft: een machine leren om niet alleen de hond te identificeren, maar ook om precies aan te geven waar hij zich in de afbeelding bevindt door er een nauwkeurige box omheen te tekenen. Deze taak, bekend als objectdetectie, vereist dat de computer twee dingen tegelijkertijd leert: de identiteit van het object en de continue positie ervan in de ruimte. Hoewel traditionele computerprogramma's dit hebben beheerst door gebruik te maken van enorme hoeveelheden data en miljoenen aanpasbare instellingen, worstelen ze vaak met het efficiënt balanceren van deze twee doelen. Een nieuw veld, quantum machine learning, biedt een ander pad. Het maakt gebruik van de vreemde regels van de kwantumfysica, waarbij deeltjes zich in meerdere toestanden tegelijk kunnen bevinden, om informatie te verwerken. De meeste vroege pogingen om quantumcomputers voor leren te gebruiken, hebben zich echter alleen gericht op eenvoudige ja-of-nee-vragen, waardoor de complexe taak van het vinden en inkaderen van objecten grotendeks ongemoeid bleef.

Een team van onderzoekers van de Shahrood University of Technology in Iran heeft deze kloof nu overbrugd. Ze hebben een nieuw soort hybride systeem gebouwd dat een standaard computerprogramma combineert met een kleine quantumcircuit om objecten te detecteren. Hun werk suggereert dat een quantumcomputer om dit moeilijke probleem op te lossen niet volledig verstrengeld hoeft te zijn, of diep verbonden, zoals veel wetenschappers voorheen geloofden. In plaats daarvan ontdekten ze dat het zorgvuldig controleren van de informatiestroom door het systeem zorgt voor een hoge prestatie met veel minder instellingen om aan te passen.

De onderzoekers begonnen met een standaard, vooraf getraind computerprogramma dat al zeer goed is in het herkennen van visuele kenmerken in afbeeldingen. Ze namen de output van dit programma en voedden deze aan een klein quantumsysteem bestaande uit slechts acht quantum bits, of qubits. Deze qubits zijn de basisunits van informatie in een quantumcomputer. Het team verdeelde deze acht qubits in twee groepen. De eerste vier waren gewijd aan het bepalen wat het object was, zoals een kat of een hond. De andere vier werden toegewezen aan de taak van het berekenen van de exacte coördinaten van de box die het object zou omringen. Deze scheiding stelde het systeem in staat om de twee verschillende soorten leren tegelijkertijd af te handelen zonder dat ze elkaar in de weg zaten.

Om deze twee groepen qubits met elkaar te verbinden, testten de onderzoekers twee verschillende bedradingspatronen. Het ene patroon was een rechte lijn, waarbij elke qubit alleen met zijn directe buurman verbonden was. Het andere patroon was een cirkel, waarbij de laatste qubit terugverbonden was met de eerste, wat een gesloten lus creëerde. Ze ontdekten dat de circulaire opstelling aanzienlijk beter werkte. In deze circulaire opstelling was de verbinding tussen de twee groepen qubits verrassend zwak, maar toch voerde het systeem de detectietaak met grote nauwkeurigheid uit. Sterker nog, het circulaire ontwerp behaalde een detectiescore van 0,9448, wat bijna identiek is aan de prestaties van veel grotere, traditionele computermodellen.

Wat dit resultaat zo opmerkelijk maakt, is de efficiëntie. Het nieuwe quantummodel had slechts ongeveer tienduizend aanpasbare instellingen nodig om de taak te leren. Ter vergelijeling hadden de grote traditionele modellen waarmee ze het vergeleken, meer dan een miljoen instellingen nodig om vergelijkbare resultaten te behalen. Dit vertegenwoordigt een vermindering van meer dan 99 procent in het aantal benodigde instellingen. De onderzoekers toonden aan dat ze door het gebruik van de circulaire bedrading de mate van verstrengeling tussen de twee taken konden onderdrukken. Verstrengeling is een quantumfenomeen waarbij deeltjes zo met elkaar verbonden zijn dat de toestand van de één de ander onmiddellijk beïnvloedt. Lange tijd werd aangenomen dat meer verstrengeling meer kracht betekende. Deze studie suggereert het tegenovergestelde voor deze specifieke taak: het beperken van de verstrengeling en het controleren van de informatiestroom helpt het systeem juist beter te leren.

Het team bekeek het proces ook vanuit het perspectief van de thermodynamica, de tak van de natuurkunde die zich bezighoudt met warmte en energie. Ze interpreteerden het leerproces als een systeem dat probeert een toestand van lage energie en lage wanorde te bereiken. Naarmate het model leerde, daalde de onzekerheid in de voorspellingen, net zoals een heet object afkoelt om overeen te komen met zijn omgeving. Het deel van het systeem dat verantwoordelijk was voor het vinden van de locatie van het object, fungeerde als een fysieke kracht die de voorspelling op zijn plek trok, terwijl het deel dat verantwoordelijk was voor het identificeren van het object werkte om verwarring te verminderen. Door het leerproces op deze manier te bekijken, konden de onderzoekers verklaren waarom het systeem met zo weinig instellingen zo goed functioneerde.

De bevindingen dagen een algemeen aanvaarde aanname in het vakgebied van de quantumcomputing uit. Veel experts geloofden dat quantumcomputers, om complexe problemen op te lossen, zoveel mogelijk verstrengeling moeten genereren. Dit artikel laat zien dat voor objectdetectie de sleutel niet de brute hoeveelheid verstrengeling is, maar hoe deze georganiseerd is. Door een circulaire topologie te gebruiken om de informatiestroom te reguleren, was het systeem in staat om onnodige ruis weg te filteren en zich te concentreren op de details die er toe deden. Het resultaat is een uiterst efficiënt model dat objecten met precisie kan identificeren en lokaliseren, met slechts een fractie van de middelen die de huidige technologie vereist.

Dit werk opent een nieuwe deur voor hoe we toekomstige kunstmatige intelligentie kunnen bouwen. Het suggereert dat de krachtigste quantumsystemen misschien niet de meest chaotische of onderling verbonden systemen zijn, maar juist die die zorgvuldig gestructureerd zijn om informatie precies daarheen te leiden waar het naartoe moet. De onderzoekers hebben aangetoond dat het mogelijk is om een quantum-versterkte detector te bouien die zowel ongelooflijk accuraat als opmerkelijk slank is. Naarmate de quantumhardware blijft verbeteren, zouden deze principes van gecontroleerde informatiestroom en gerichte efficiëntie het blauwdruk kunnen worden voor de volgende generatie intelligente machines.