Her tester de løsninger for fremtidens kvantedatamaskiner: – Når de blir store nok, vil det være et stort skille

Gaustad, Oslo: Kvantedatamaskiner programmeres på en fundamentalt annerledes måte enn klassiske datamaskiner, og for å kunne bruke dem må problemet man ønsker å løse, omformuleres til en kvantemekanisk modell.

Denne oppgaven er som å finne opp hjulet på nytt, ifølge forskere ved Sintef i Oslo.

Der prøver de nå å finne svar på hvordan kvantedatamaskiner kan brukes til å løse praktiske problemer for næringsliv og offentlig sektor.

Et stort ubesvart spørsmål er i hvilken grad kvantedatamaskiner kan brukes til kunstig intelligens (KI).

Digi har besøkt seniorforsker Franz Georg Fuchs og sommerstudent Ola Tangen Kulseng, som de siste månedene har undersøkt hvordan en KI-metode kalt «reservoir computing» kan brukes på kvantedatamaskiner. Metoden kan blant annet brukes til talegjenkjenning, for å klassifisere musikksjangere eller til å oppdage svindel i finansielle transaksjoner.

Bjelleklang og Lille Petter Edderkopp

Kulseng har utviklet en demonstrator for å forstå hva som skjer når denne typen metoder implementeres på en kvantedatamaskin. Han har kodet enkle, kjente melodier om til datapunkter i en krets på en simulert kvantedatamaskin, slik at denne lærer å spille melodiene.

– Vi har trent opp en som spiller «Jingle Bells». Så starter vi med å gi den «Petter Edderkopp». Men med en gang den er ferdig, kommer den inn i «Jingle Bells». Det er litt morsomt å høre på, sier Fuchs.

De sender inn de første tonene av en annen melodi for å se hvordan modellen forutsier at den nye melodien vil fortsette. For å kunne bestemme hvilke toner som skal spilles, må modellen ha en slags hukommelse for hvilke toner som er avspilt til nå. Etter treningen vil maskinen lære seg å repetere og å kunne forutsi resten av melodien mest mulig korrekt. Før den finner alle de små detaljene i sangen, vil den imidlertid fokusere på det den oppfatter som det viktigste.

Forsøkene har vist at ulike algoritmer er gode til å huske ulike ting – som lengde, rytme, antall takter og skillet mellom de ulike notene – og det som kommer ut, blir dermed forskjellig.

– Det er mye interessant innsikt man kan ta med videre. Vi har sett at den lærer de store aspektene og klarer å generalisere. Vi har fått mye innsikt i hvordan systemer fungerer bare ved å bruke vår intuisjon for musikken.

– Å spille videre på en melodi blir en liten, sprø greie sammenlignet med de store, viktige bruksområdene. Det er med den ekte infrastrukturen at de store tingene kan realiseres. Det blir et stort hopp når de blir tilgjengelige, sier Fuchs.

Forskningen er tilgjengeliggjort slik at andre kan bygge videre på den når Kulseng er tilbake i studier.

Du kan laste ned et opptak av treningen av Jingle Bells ved å klikke på lenken.

Fungerer som en menneskehjerne

«Reservoir computing» kan predikere (forutsi) sannsynlige utfall av dynamiske systemer, som for eksempel været, der små endringer i et stort og komplekst system kan gi et helt annet utfall.

– Avhengig av hva du spiller inn, vil den ha en annen respons. Metoden går ut på å lære seg hvilken del av responsen man skal legge mest vekt på. Siden det er så komplekst, kan du få ganske mange forskjellige svar. Ved å teste ut ulike algoritmer, kan vi lære hvordan å få til en god prediksjon, sier Kulseng.

Med reservoir computing brukes maskinen i prinsippet på samme måte som en menneskehjerne.

– Et av problemene med en språkmodell som ChatGPT, er at når du trener den opp, trener du hele systemet av gangen, sier Fuchs.

Reservoir computing er et forsøk på å trene datamaskiner mer som menneskehjernen fungerer når den lærer: Mesteparten forblir likt fra gang til gang, i stedet for at man må lære opp hele hjernen helt på nytt. Bare en bitte liten del av hjernen endrer seg av gangen. Og avhengig av hva slags input man gir, vil den oppføre seg annerledes.

Den fungerer bra på klassiske datamaskiner, men forskerne forventer en stor forbedring på kvantedatamaskiner, siden den fungerer best på store og komplekse systemer og kvantedatamaskiner skalerer eksponentielt.

– Hjernen din har milliarder av nevroner som forblir fast i et ekstremt komplisert nettverk. Lærer du deg noe nytt, endrer en liten del av hjernen din seg, sier Fuchs.

– Når vi skal lære en ny ting, som å predikere musikk, endrer vi en bitteliten del av algoritmen: Hvordan vi skal vekte de forskjellige svarene vi får.

– Det fungerte bra. Overraskende bra, sier Fuchs.

Om forskerne kan lære hvordan maskinen tolker dette, er det mye billigere enn å endre helheten hver gang når det anvendes på langt større systemer.

Venter et kvantesprang

Kvanteforskningen på Sintef kom i gang rundt 2018, da Franz Fuchs begynte å jobbe med det. Nå er det rundt åtte ansatte involvert i prosjektene, men Fuchs er den eneste som arbeider med kvantedatamaskiner på fulltid. I tillegg har de én PhD-student og studenter hver sommer.

Slik det er i dag, har forskerne på Sintef kun tilgang på simulatorer av kvantedatamaskiner på klassiske maskiner. I musikkforsøkene har de brukt simulatoren Qiskit fra IBM.

Simulatorene fungerer fint til teoretiske forsøk. Men for å kunne få noe praktisk nytte ut av det, kreves skalerbarheten som er unik for ekte kvantedatamaskiner.

Norge er med i vertskapet til en av seks nye europeiske kvantedatamaskiner som vil være klare innen fire år. Da vil forskerne på Sintef kunne få tilgang på en ekte kvantedatamaskin.

Det finnes allerede kvantedatamaskiner i forskningsmiljøene i Norge. Oslo Met har to, men med sine to eller tre qubits er kapasiteten for lav for Sintefs eksperimenter.

Musikk-eksperimentet kjører derfor på en tradisjonell datamaskin som simulerer en kvantedatamaskin med minst fem qubits. For å kunne oppnå reell nytte fra kvanteteknologien, kreves imidlertid langt flere qubits, noe som er eksponentielt vanskeligere å simulere på tradisjonelle maskiner.

Men det har skjedd en ganske stor utvikling de siste årene, forteller Fuchs. Nå har han et håp om at forskningen kan brukes til å løse noen problemer fra næringslivet og offentlig sektor innen ti år.

Kvantedatamaskin-verdenen er delt i to. Forskningsmiljøer rundt i verden forsker teoretisk og tester ting med simulatorer for å utvikle algoritmer som kan brukes på det de antar blir fremtidens kvantedatamaskiner. Mens store selskaper som Google og IBM jobber med utvikling av selve kvantedatamaskinene.

Forskerne ved Sintef ser for seg at den dagen det kommer kvantedatamaskiner som er nyttigere, er det allerede utviklet mange algoritmer som da kan kjøres.

– Når de blir store nok, vil det være et stort skille, sier Fusch.