"Perzeptron": einfaches neuronales Netz mittels Quantencomputer
Ein Konzept aus der Frühzeit der Informatik wurde mit hochmoderner Technik repliziert: ein „Perzeptron“, das Muster erkennen kann – vorerst nur einfache.
- Sascha Mattke
Im Jahr 1958 stellte der Psychologe und Informatiker Frank Rosenblatt aus den USA sein Konzept für eine einfache Form neuronaler Netze vor, genannt „Perzeptron“. Schon damals weckte es größte Erwartungen, die heute mit leistungsfähigen neuronalen Netzen zunehmend erfüllt werden. Forscher um Francesco Tacchino an der Universität Pavia in Italien haben jetzt ein einlagiges Perzeptron in einem Quantencomputer von IBM mit 5 Qubits realisiert. Tatsächlich gelang es damit, zuverlässig einfache Muster zu identifizieren, wie Technology Review online in „Maschinenlernen im Quantencomputer“ berichtet.
In seiner einfachsten Form nimmt ein Perzeptron einen Vektor-Input – eine Reihe von Zahlen – und multipliziert ihn mit einem Gewichtungsvektor; das Ergebnis ist eine Zahl. Wenn diese über einer bestimmten Schwelle liegt, ist sein Output 1, ansonsten 0. Damit lassen sich zum Beispiel Muster erkennen. Zum Beispiel eine Pixel-Ansammlung, die eine Reihe von unterschiedlichen Licht-Intensitäten – eine pro Pixel – produziert. Wenn diese Zahlen in ein Perzeptron eingegeben werden, produziert es als Output 0 oder 1. Das Ziel ist, Gewichtungsvektor und Schwellenwert so anzupassen, dass der Output 1 ist, wenn das Pezeptron zum Beispiel eine Katze sieht, und 0 in allen anderen Fällen.
Tacchino und Kollegen wiederholten die frühe Arbeit von Rosenblatt mit dem supraleitenden Quantencomputer Q-5 „Tenerife“ von IBM. Dieser ist für jeden über das Web programmierbar, der einen Quantenalgorithmus schreiben kann. Die Forscher erstellten einen Algorithmus, der einen klassischen Vektor (wie etwa ein Bild) als Input aufnimmt, ihn mit einem Quanten-Gewichtungsvektor multipliziert und dann 0 oder 1 ausgibt. Der große Vorteil von Quantencomputern ist dabei, dass sie eine exponentielle Erhöhung der Zahl der verarbeiteten Dimensionen ermöglichen. Wenn ein klassisches Perzeptron einen Input von N Dimensionen verarbeiten kann, schafft ein Quanten-Perzeptron 2 hoch N Dimensionen.
Mehr dazu bei Technology Review online:
(sma)
