Wichita State Üniversitesi'nde fizik profesörü olan Elizabeth Behrman 90'lı yılların başında kuantum fiziğini yapay zeka ile birleştirmek için çalışmaya başlamış. Daha net bir ifade ile, zaman içerisinde başına buyruk hale gelen nöral ağ teknolojisini. Bir çok insan onun yağla suyu karıştırdığını düşünüyordu. "Sıklıkla geçiyordu adım yayınlarda. Nöral ağ yazarları 'Kuantum mekaniği de nerden çıktı? derken, fizikçiler de 'nöral ağ saçmalığı da ne?' diye soruyorlardı" diyor, geçmişi yad ederken.
Günümüzde ise her iki kavramın karışımının dünyanın en doğal şeyi olduğuna dair bir bakış açısı hakim. Nöral ağlar ve diğer makine öğrenimi sistemleri, 21. yüzyılın en dikkat çekici teknolojileri haline geldiler. İnsanları devreden çıkaran bu teknolojiler, satranç ve veri işleme gibi bir çoğumuzun mükemmel olmadığı alanlarda bizi saf dışı bırakmakla kalmayıp, aynı zamanda yüz tanıma, lisan tercüme gibi insan beyninin ulaştığı son noktadaki konularda da bize karşı üstünlük sağlamaya başladılar. Tüm bu sistemler büyük oranda bilgisayarların gücüne dayalı olarak geliştirildikleri içindir ki, teknoloji firmalarının sadece daha büyük değil, aynı zamanda yeni bir makine sınıfına dahil olacak tipte bilgisayarlar üretmeye çalışmaları da kaçınılmaz oldu.
Onlarca yıldır araştırma safhasında yer alan kuantum bilgisayarlar, yeryüzünde mevcut diğer tüm bilgisayarlardan daha hızlı işlem gerçekleştirme kapasitesine sahipler. Bu bilgisayarların en can alıcı yanı, modern kriptolama sistemi için hayati önem taşıyan büyük sayıları işleme gücünden ileri geliyor. Fakat günümüzün sağlam kuantum işlemcileri bile makine öğreniminin ihtiyaç duyduğu beklentileri karşılamaktan uzaklar. Çok yüksek sayıda veri dizilerini tek bir adımda manipüle eden kuantum bilgisayarları, klasik bilgisayarların göremediği hassas şablonları seçebildiği gibi, belirli belirsiz ya da yarım yamalak veriler üretmiyor. "Kuantum işleminin sağlam istatistiki doğasıyla makine öğrenimi arasında doğal bir kombinasyon söz konusu" diyor Berkeley'de bulunan Rigetti Computing'te çalışan fizikçi Johannes Otterbach.
Google, Microsoft, IBM ve diğer teknoloji devleri kuantum makine öğrenimine para akıtırlarken, Toronto Üniversitesi'nde yer alan bir girişimci firma finansörü de bu konuya adamış kendini. "Makine öğrenimi moda söylem haline gelmeye başladı" diyen Moskova Bilim ve Teknoloji Enstitüsü'nde fizikçi olan Jacob Biamonte, "Bu söylemi 'kuantum' ile bir araya getirdiğinizde mega moda sözcük haline geliyor" diyor.
Kuantum Nöronlar
Klasik ya da kuantum da olsa nöral ağın temel işlevi, şablonları tanımaktan ibarettir. İnsan beyninden ilham alan sistem, temel işlem birimlerinin bir ızgarası gibidir. Yani, nöronlar. Her biri açıp-kapanan cihazlar gibi basit olabilirler. Bir nöron, tıpkı oy verir gibi çok sayıda nöronların çıktısını gözlemleyerek, yeterli sayıda nöron tespit ettiğinde devreye girer. Normalde nöronlar katmanlar halinde dizilidirler. Birincil katman girdiyi kabul ederken (örneğin resim piksellerini), ortada yer alan katmanlar bu girdinin farklı kombinasyonlarını oluştururlar (köşeler ve geometrik şekiller gibi yapıları temsil ederler). Son katmanda ise çıktı oluşur (resim içeriğinin yüksek seviyede bir tanımı).
Nöronlar arasındaki bağlantının önceden değil, deneme yanılma işlemi esnasında oluşturulduğu gerçeği önemli bu noktada. 'Kedi' ya da 'köpek' şeklinde etiketlenmiş resimler verilebilir bu ağa. Sistem her bir görüntü için bir etiket atayarak doğru olup olmadığını kontrol eder ve eğer doğru değilse nöral bağlantıları ona göre ayarlar. Ağın yürüttüğü tahminler ilk aşamada gelişigüzeldir fakat daha sonra gittikçe iyileşir. Belki 10.000 denemeden sonra hayvanları tanır hale gelir. Ciddi bir nöral ağda her biri ayarlanmış olması gereken bir milyar dahili bağlantı bulunabilir.
Klasik bir bilgisayarda tüm bu dahili bağlantılar, rakam matriksleri topluluğuyla temsil edilirler. Bu ağı çalıştırmak da, matriks cebiri yapmak gibidir. Normalde bu matriks işlemleri ekran işlem birimi gibi özel bir çipe gönderilirler. "Büyük matrisler ve vektörler, kuantum bilgisayarlarda çok daha hızlı şekilde işlem görürler" diyor Massachusetts Institute of Technology'de fizikçi ve kuantum işlemci alanında öncü olan Seth Lloyd.
Kuantum bilgisayarlar bu iş için kuantum sisteminin katlanarak artış gösteren doğasının avantajını kullanabilirler. Kuantum sistemlerinin bilgi depolama kapasitesinin büyük bölümü, bireysel veri birimlerinden değil (kubitler), bu kubitlerin bir arada sergiledikleri özelliklerden ileri gelir. İki kubitin dört ortak işlevi bulunur: her ikisi de devrede, her ikisi de devre dışı, devrede/devredışı ve devredışı/devrede. Her birinin bir nöronu temsil edebilecek belirli bir ağırlığı, ya da genliği bulunur. Üçüncü bir kubiti ekleyecek olursanız, sekiz nöronu temsil edebilir, dördüncü bir kubitin eklenmesi halinde 16 nörona çıkarırsınız bu sayıyı. Makinenin kapasitesi, katlamalı olarak artmaya devam eder. Nöronlar tüm sisteme sirayet ederler böylece. Dört kubitlik bir halde işlem gördüğünüzde, bir vuruşta 16 rakamı işlersiniz. Fakat klasik bir bilgisayar bu rakamları teker teker ele almak zorundadır.
Lloyd'un tahminine göre 60 kubit'le, insanlığın bir yılda ürettiğine eşdeğer veriyi şifreleyebilirsiniz. 300 kubit ise, gözlemlenebilir evrende mevcut olan klasik bilgi içeriğini taşıyabilecek kapasiteye sahiptir (günümüzde IBM, Intel ve Google tarafından üretilen en büyük kuantum bilgisayarlar, 50'li rakamlarda kubite sahip).
Nöral ağlar ve kuantum işlemcilerin ortak bir özellikleri var: Her ikisinin de çalışması muhteşem. Bir ağın eğitilebileceği konusu belirsizlik taşıyordu önceleri. İnsanlar uzunca bir süredir bunun mümkün olabileceği konusunda şüpheliydiler. Benzer şekilde kuantum fiziğinin de bilgisayar alanında sonuçlar üreteceği konusu belirsizlik taşıyordu. Fakat şimdi her ikisi de çalışıyor. Bu açıdan bakacak olursak bu iki kavramın bir araya gelmesi de bir gün mümkün olabilir.
