O Modelo Quantum Generative Adversarial: do que se trata?

Em junho de 2014, Ian Goodfellow e alguns de seus colegas propuseram a ideia de uma rede adversária generativa. Se você está familiarizado com o aprendizado de máquina, provavelmente já ouviu falar de GANs no passado (ou talvez até de qGANs).

Se ainda não o fez, não se preocupe; Você veio ao lugar certo. Se você estiver interessado em aprender mais, leia um detalhamento simples e conciso sobre IA generativa quântica.

Uma Generative Adversarial Network (GAN) é um tipo de modelo de aprendizado de máquina que pode gerar novos dados semelhantes aos dados de treinamento fornecidos inicialmente. Graças a essa classe de ML, as empresas conseguiram produzir representações precisas de coisas que nem existem — e muito mais .

Como se pode supor pelo uso da palavra ' adversarial', as GANs são compostas por um gerador e um discriminador; duas redes neurais que competem uma contra a outra em um jogo de soma zero.

O gerador de uma GAN aprende a produzir novos dados semelhantes aos dados nos quais foi treinado, enquanto sua contraparte, o discriminador, aprende a distinguir entre dados reais e gerados. O discriminador então produz uma saída binária indicando se acredita que os dados analisados ​​são reais ou falsos, e isso é então realimentado no gerador para iteração.

Por meio desse processo de treinamento adversário, o gerador se torna melhor na produção de dados realistas, enquanto o discriminador se torna melhor na identificação de dados falsos. O objetivo final, no entanto, é que o GAN alcance um estado de convergência, onde o gerador é tão eficaz que a chance do discriminador de diferenciar dados falsos de dados reais se aproxima de um cara ou coroa — 50/50.

Nesta situação, o GAN será capaz de produzir com sucesso qualquer tipo de dados com base em seu conjunto de dados inicial. Se o discriminador não puder mais discernir entre o que é real e o criado artificialmente, o humano provavelmente também não conseguirá.

Adicionando computação quântica à mistura

GANs, no entanto, não são perfeitos.

Eles podem ser muito caros computacionalmente à medida que você tenta produzir mais saídas e exigem muitos recursos. Isso ocorre porque as GANs precisam de um grande número de iterações para treinar de forma eficaz, e cada iteração envolve o cálculo da passagem para frente e para trás do gerador e do discriminador.

Ao integrar a tecnologia quântica à mistura, no entanto, essa preocupação se torna muito mais fácil de abordar.

As redes quânticas geradoras de adversários (qGANs) utilizam algoritmos quânticos e hardware para gerar dados sintéticos. Na prática, eles integram circuitos quânticos parametrizados no discriminador, gerador, conjunto de dados ( caso em que os pontos de dados iniciais são representados por meio de estados quânticos ) ou até mesmo combinações diferentes dos três .

Para simplificar, vamos ver como ficaria o processo generativo com a integração do quantum em todos os componentes.

No início do treinamento de uma qGAN, o gerador quântico opera de forma semelhante a um clássico. Ele tenta espelhar os dados do conjunto de dados real sem ajuda e, em seguida, fornece a saída (como um estado quântico) ao discriminador.

As duas redes quânticas então vão e voltam se alimentando uma da outra, com o gerador tentando criar saídas mais realistas e o discriminador tentando melhorar suas capacidades diferenciadoras.

Em qGANs, no entanto, o discriminador e o gerador otimizam sua eficiência de maneira diferente de suas contrapartes clássicas. Em vez disso, eles visam buscar os parâmetros ideais para determinar o estado quântico perfeito.

Nesse contexto, os parâmetros de uma rede neural quântica são os valores ajustáveis ​​que determinam o comportamento da rede. Esses valores são definidos durante o processo de treinamento e podem ser ajustados para otimizar o desempenho da rede para uma tarefa específica.

Então, na prática, esse processo envolve a alternância entre o treinamento dos circuitos gerador e discriminador. Enquanto isso, os parâmetros de um devem ser mantidos constantes enquanto o outro está sendo treinado, para evitar que alterações em um circuito interfiram no treinamento do outro.

Com o passar do tempo, a intenção final seria a mesma que se observaria em uma GAN regular. Idealmente, o discriminador não seria mais capaz de diferenciar com precisão entre os estados quânticos reais e aqueles feitos pelo gerador. A probabilidade de sucesso do discriminador seria, mais uma vez, próxima à de uma moeda ao ar — 50/50.

E daí?

Bem, como mencionado, uma das muitas diferenças importantes entre qGANs e GANs é que o primeiro pode usar estados quânticos em vez de distribuições de probabilidade para gerar dados.

Esses estados quânticos, no entanto, são mais úteis do que se pode imaginar inicialmente. Eles podem ser usados ​​para representar estruturas de dados complexas, como gráficos e moléculas, que são difíceis de representar usando distribuições de probabilidade clássicas.

Além disso, os qGANs podem potencialmente aproveitar o paralelismo quântico para gerar dados muito mais rapidamente do que os GANs clássicos. Isso ocorre porque os circuitos quânticos podem realizar muitas operações em paralelo, o que pode ser útil para gerar grandes quantidades de dados.

Como tal, não é muito difícil perceber que o qGAN é bastante distinto de sua derivada inicial, o GAN clássico. Então, quem sabe? À medida que a tecnologia quântica continua a melhorar, os qGANs podem se tornar uma ferramenta cada vez mais disruptiva em vários setores, desde a química quântica até as finanças modernas.

As possibilidades são infinitas e o potencial é vasto, deixando-nos apenas imaginando que tipo de salto quântico nos espera no futuro da modelagem generativa.

Ei; meu nome é Samay! Sou um estudante do ensino médio interessado em explorar o mundo ao meu redor e, no momento, me interessei pela computação quântica e suas aplicações. Se você gostou de ler meu artigo, assegure-se de assinar meu boletim informativo mensal e me adicionar no LinkedIn para acompanhar todos os novos projetos e atualizações! Sinta-se à vontade para me enviar um e-mail também para [email protected] se quiser se conectar!

Este artigo foi feito com referência ao Curso de Aprendizado de Máquina Quântica da Qiskit.