For første gang viser nå forskere fra Østerrike og Spania hvordan roboter kan klare tilpasse seg den kaotiske, fysiske verden ved å utnytte kvantedatamaskinenes evne til å behandle enorme mengder data samtidig.

Skogtur krever mer enn sjakk

For oss mennesker kan den fysiske verden virke mye enklere enn abstrakte problemer. Vi må konsentrere oss hardt for å forstå teorier, eller for eksempel å spille sjakk.

Å gå en tur i skogen virker som en lett oppgave i sammenligning, i alle fall for hjernen. Vi kan la tankene vandre mens beina finner stien.

I virkeligheten krever skogturen langt mer av hjernen enn sjakkproblemet. Øyene skal vurdere avstand til steiner og røtter, og føttene skal hele tiden tilpasse seg, samtidig som musklene i kroppen må samarbeide for å opprettholde balansen.

Rask tilpasning

Først når vi forsøker å lære roboter å gå skogtur i ulendt terreng, forstår vi hvor vanskelig oppgaven er. Selv om den billigste PC kan slå de fleste i sjakk, ville den vært hjelpeløs hvis den skulle styre en robot ut på søndagstur, særlig hvis det begynte å regne og steinene på stien ble glatte.

Slike uventede situasjoner mener forskerne fra Universidad Complutense de Madrid og Universität Innsbruck at kvantedatamaskiner kan lære å tilpasse seg raskt nok.

For hastigheten er en viktig faktor. Hvis robotbeina sklir på en sleip stein, kan ikke robothjernen bruke fem sekunder på å regne ut responsen.

Læring med tilfeldig gange

For å holde roboten på beina og takle nye situasjoner, vil forskerne bruke kvanteversjonen av det de kaller tilfeldig gange, på engelsk random walk.

Tilfeldig gange er en teoretisk modell. Den beskriver hvordan du på en eller annen måte kan skride fram, mens du underveis gjør tilfeldige endringer på sporet du følger. Det betyr at med samme startpunkt, så vil flere tilfeldige ganger lage spor som sprer seg ut i vifteform.

Spor i denne sammenhengen kan også bety framgangsmåter. Et dataprogram som bruker tilfeldig gange for å prøve ut forskjellige framgangsmåter, vil prøve, feile, og noen ganger lykkes tilfeldig.

Dataprogrammet kan lagre de vellykkede framgangsmåtene, og kaste vekk de mislykkede. Slik bygges det sakte, men sikkert opp et kart av gode og dårlige framgangsmåter eller spor i minnet til datahjernen. Med andre ord: Dataprogrammet lærer.

Gjør mange ting på en gang

Kvantedatamaskiner er veldig godt egnet til å gjøre mange slike tilfeldige ganger på kort tid, ifølge forskerne. Hvorfor det?

Kvantedatamaskiner er ikke som andre datamaskiner. En vanlig datamaskin regner egentlig bare med to tall, en og null.

Kvantedatamaskinen utnytter den underlige usikkerheten i den ørlille kvanteverdenen. Derfor opererer ikke kvantedatamaskinen med bits. Den opererer med kvantebits, qbits. En qbit kan være både en og null – samtidig.

Det betyr også at datamaskinen med qbits kan gjøre flere beregninger samtidig, med de samme qbitene. Dette kan for eksempel brukes til å prøve ut veldig mange flere tilfeldige ganger samtidig, slik roboten trenger for å finne riktig framgangsmåte og lære raskt.

Kunstig intelligens nedenfra og opp

De østerriske og spanske forskerne viser også hvordan slike tilfeldige ganger kan være en raskere vei fram mot kunstig intelligens.

Én måte å lage kunstig intelligens på, er nemlig å utstyre et datasystem med enklere systemer som kan lære ved prøving og feiling, for eksempel gjennom tilfeldig gange. Så utvikler de enklere systemene seg selv mot intelligens, uten at dette var programmert bevisst inn på forhånd.

En slik utvikling ligner på den evolusjonen som livet selv har gjennomgått, og som har frembragt oss mennesker med hjerner og bevissthet.

Nytt senter for kvanteintelligens

Kvantedatamaskiner er fortsatt på det teknologiske spebarnsstadiet, med få qubits. Ett viktig problem er å lese av data fra en qbit uten å ødelegge informasjonen den bærer på.

Nå vil trolig utviklingen skyte fart, blant annet fordi Google Research, NASA og Universities Space Research Association har opprettet forskningssenteret Quantum Artificial Intelligence Lab.

Senteret skal nettopp arbeide med maskinlæring, som også vil komme roboter til gode.

Lenke og referanse:

Pressing the accelerator on quantum robotics, Phys.org 5.oktober 2014.

Giuseppe Davide Paparo et.al: Quantum Speedup for Active Learning Agents, Physical Review X, 8. Juli 2014.