La visión por computadora, la PNL y otros dominios han tenido un éxito notable con enfoques de aprendizaje automático (ML) profundo basados en redes neuronales profundas (NN). Sin embargo, el antiguo problema de interpretabilidad versus eficiencia presenta varios obstáculos formidables. La capacidad de cuestionar, comprender y confiar en enfoques profundos de ML depende de su interpretabilidad, a menudo descrita como el grado en que una persona puede captar la fuente de una conclusión.
Las redes bayesianas, las máquinas de Boltzmann y otros modelos probabilísticos de aprendizaje automático se consideran “cajas blancas” ya que son inherentemente interpretables. Una forma en que estos modelos pretenden interpretar es mediante el uso de razonamiento probabilístico para descubrir vínculos causales ocultos; esto se alinea con la forma en que funcionan estadísticamente las mentes humanas. Lamentablemente, los NN profundos de última generación superan a estos modelos probabilísticos por un margen considerable. Parece que los modelos de ML actuales no pueden lograr simultáneamente una alta eficiencia e interpretabilidad.
Gracias al crecimiento exponencial de la computación cuántica y convencional, ha surgido una nueva herramienta para resolver el enigma de eficiencia versus interpretabilidad: la red tensorial (TN). La contracción de más de un tensor se llama TN. La forma en que se contraen los tensores está definida por su estructura de red.
A nuevo papel de la Capital Normal University y la Universidad de la Academia de Ciencias de China examinaron los alentadores desarrollos en las TN hacia un ML eficiente e interpretable de inspiración cuántica. “TN ML mariposa” enumera los beneficios de los TN para ML. Los beneficios de los TN para el aprendizaje automático con un giro cuántico se pueden resumir en dos áreas principales: la interpretabilidad de las teorías cuánticas y la eficiencia de los procedimientos cuánticos. Se puede construir un marco probabilístico para la interpretabilidad que puede ir más allá de la descripción de información clásica o enfoques estadísticos utilizando TN con teorías cuánticas como las teorías de entrelazamiento y las estadísticas.
Por el contrario, los enfoques TN ML de inspiración cuántica podrán operar de manera eficiente tanto en plataformas de computación clásica como en plataformas de computación cuántica gracias a algoritmos TN mecánicos cuánticos robustos y a una tecnología de computación cuántica sustancialmente mejorada. En particular, los transformadores generativos previamente entrenados han logrado últimamente un desarrollo notable, lo que ha llevado a aumentos sin precedentes en la potencia computacional y la complejidad del modelo, lo que presenta tanto potencial como desafíos para TN ML. Frente a la nueva inteligencia artificial (IA) de los transformadores generativos preentrenados, la capacidad de interpretar los resultados será más importante que nunca, lo que permitirá investigaciones más efectivas, un control más seguro y una mejor utilización.
Los investigadores creen que a medida que entramos en el período de la verdadera computación cuántica y en la actual era NISQ, el TN se está convirtiendo rápidamente en una herramienta matemática líder para investigar la IA cuántica desde varios ángulos, incluidas teorías, modelos, algoritmos, software, hardware y aplicaciones.
Dhanshree Shenwai es ingeniero en informática y tiene una buena experiencia en empresas de tecnología financiera que cubren el ámbito financiero, tarjetas y pagos y banca con un gran interés en las aplicaciones de IA. Le entusiasma explorar nuevas tecnologías y avances en el mundo en evolución de hoy que facilita la vida de todos.