Phương pháp mới này tận dụng lợi thế của vướng víu lượng tử, trong đó hai hoặc nhiều đối tượng hơn liên quan chặt chẽ với nhau đến mức các hiệu ứng nghịch thường phát sinh từ một phép đo trên một đối tượng ngay lập tức ảnh hưởng đến đối tượng khác. Ở đây, vướng víu lượng tử cung cấp một cách rất nhanh để phân loại vectơ thành một trong hai thể loại, một nhiệm vụ cốt lõi của học máy.

Các nhà vật lý, Chao-Yang Lu, Nai-Lê Liu, Li Li và các đồng nghiệp tại Đại học Khoa học và Công nghệ Trung Quốc ở Hợp Phì, đã xuất bản bài báo về phương pháp học máy dựa trên vướng víu trên tạp chí Physical Review Letters.

Như các nhà nghiên cứu giải thích, học máy có nhiều công dụng khác nhau trong cuộc sống hàng ngày. Một ví dụ là máy có thể “học” cách phân loại thư điện tử để xem có phải thư rác (spam) hay không và tự động xếp thư vào thư mục tương ứng bằng cách so sánh thư điện tử được gửi đến với thư điện tử cũ được người dùng dán nhãn. Đây là một ví dụ về học máy có giám sát, khi hệ thống được cung cấp một tập hợp các ví dụ. Trong học máy không giám sát, hệ thống không nhận được thông tin trước. Một ví dụ về học máy không giám sát là phần mềm chỉnh sửa ảnh phân loại các điểm ảnh thành hai nhóm là đối tượng và hình nền.

Đối với cả học máy có giám sát và không giám sát, các mục mới được phân loại (ví dụ, thư điện tử, điểm ảnh, v.v...) được biểu thị bằng các vectơ. Hệ thống gán cho mỗi vectơ một trong hai thể loại bằng cách phân tích chiều dài của vectơ và so sánh nó với một vectơ tham chiếu trong mỗi thể loại. Vectơ mới được gán với loại chứa các vectơ tham chiếu tương tự nhất.

Việc phân loại một số lượng nhỏ các vectơ theo cách này có thể được thực hiện rất nhanh. Tuy nhiên, khi lượng dữ liệu trên thế giới tăng nhanh, thời gian cần thiết để máy xử lý cũng tăng lên. Các nhà nghiên cứu cho rằng vấn đề “dữ liệu lớn” này có thể một ngày nào đó đặt ra một thách thức ngay cả đối với những siêu máy tính nhanh nhất.

Trong nghiên cứu mới này, các nhà vật lý giải quyết thách thức này bằng cách biểu thị vectơ bằng các trạng thái lượng tử và sau đó làm vướng víu các trạng thái này trước khi so sánh khoảng cách giữa chúng. Như các nhà nghiên cứu giải thích, các máy tính lượng tử vốn dĩ tốt khi thao tác vectơ, vì vậy, để làm được điều này, họ đã sử dụng một máy tính lượng tử có quy mô nhỏ, thao tác các qubit quang, hay các photon.

Trong thiết lập quang học này, một photon đóng vai trò như một qubit phụ và được sử dụng để vướng víu một photon khác mã hóa cả vectơ tham chiếu và vectơ mới. Kết quả là trạng thái vướng víu hai photon được sử dụng để phân loại các vectơ hai chiều, trong khi các trạng thái vướng víu ba và bốn photon có thể phân loại tương ứng vectơ bốn và tám chiều. Nhìn chung, các chiều vectơ khác nhau là cần thiết để mô tả các tính chất của các đối tượng khác nhau trong thế giới thực.

Như các nhà khoa học giải thích, phương pháp lượng tử có thể có tiềm năng tăng tốc độ học máy, vượt xa những gì các máy tính hiện nay có thể thực hiện. Lu cho một ví dụ để minh họa công suất tăng theo cấp số nhân của thử nghiệm là: “Để tính toán khoảng cách giữa hai vectơ lớn với kích thước 1021 (hay, theo ngôn ngữ của dữ liệu lớn, chúng ta có thể gọi là 1 zettabyte (ZB)), một máy tính cổ điển có tốc độ GHz sẽ mất khoảng hàng trăm ngàn năm”, Lu nói. “Một máy tính lượng tử tốc độ GHz, nếu chúng ta có thể chế tạo trong tương lai, với tốc độ tăng lên theo cấp số nhân, sẽ chỉ mất khoảng một giây để ước tính khoảng cách giữa hai vectơ này sau khi chúng bị vướng víu với qubit phụ”.

Phương pháp phân loại vectơ dựa trên lượng tử này có thể được sử dụng cho cả học máy có giám sát và không giám sát và do đó có thể có một loạt các ứng dụng. Học máy được sử dụng trong các lĩnh vực như khoa học máy tính, phân tích tài chính, người máy và tin sinh học. Học máy cũng phổ biến trong cuộc sống hàng ngày của chúng ta, chẳng hạn như trong nhận dạng khuôn mặt, lọc thư điện tử và các hệ thống khuyến nghị cho mua sắm trực tuyến.

“Học máy đã được áp dụng ở tất cả mọi nơi và có khả năng sẽ đóng một vai trò quan trọng hơn trong thời đại của dữ liệu lớn với sự bùng nổ của dữ liệu điện tử”, Lu nói. “Người ta ước tính rằng mỗi năm học máy phát triển theo cấp số nhân là 40%. Mặt khác, chúng ta có tin không hay là theo định luật Moore, nếu tiếp tục tăng, sau đó vào khoảng năm 2020, kích thước của chip sẽ giảm xuống đến cấp nguyên tử, nơi cơ học lượng tử chi phối. Do đó, việc tăng tốc công suất tính toán của máy tính cổ điển phải đối mặt với một thách thức lớn. Hôm nay, chúng ta vẫn có thể thực hiện tốt học máy và các nhiệm vụ tính toán khác với các máy tính cổ điển cũ của chúng ta, nhưng chúng ta có thể cần phải nghĩ ra cách khác về lâu dài”.

Trong tương lai, các nhà nghiên cứu hy vọng sẽ mở rộng phương pháp này lên các con số qubit lớn hơn. Họ giải thích rằng các trạng thái lượng tử chiều cao hơn có thể được mã hóa bằng cách sử dụng mức độ tự do của xung lượng góc quỹ đạo của một photon, hoặc bằng cách sử dụng các tính chất khác.

“Chúng tôi đang nghiên cứu cách kiểm soát một số lượng lớn ngày càng tăng các bit lượng tử cho học máy lượng tử mạnh hơn”, Lu nói. “Bằng cách kiểm soát nhiều mức độ tự do của một photon đơn lẻ, chúng tôi hướng đến việc tạo ra vướng víu 6 photon, 18 qubit trong tương lai gần. Sử dụng chấm lượng tử bán dẫn, chúng tôi đang cố gắng để xây dựng một nền tảng bán dẫn cho vướng víu khoảng 20 photon trong khoảng năm năm. Với khả năng kiểm soát lượng tử được cải thiện, chúng tôi sẽ thực hiện các nhiệm vụ trí tuệ nhân tạo lượng tử phức tạp hơn”.