Neurona sareak, gizakien garuna imitatzen duten adimen artifizialaren teknika bat dira. Neuronak (pertzeptroiak) beraien artean konektaturik daude, guztien artean sare bat eratuz (hortik dator neurona sare izena). Konexio horiei esker, jasotako informazioa neurona batetik bestera transmititzen da, eta horrek jasotako datu horiek prozesatzea ahalbidetzen du. Hala ere, beti entzuten dugun bezala, “dena ez da lehenengo saiakeran ikasten”. Horregatik, ez dago esan beharrik praktikatu beharra izango duzula, proba egin eta behin eta berriz kale egin, lortu nahi dituzun abileziak hobetzea lortu arte. Jar dezagun adibide bat: imajina ezazu arku-tiroa egiten hasi zarela. Zure helburua, noski, ituaren erdigunea jotzea izango da. Lehen aldiz saiatzerakoan, ordea, ziur aski erdiguneko eremutik kanpo jarriko duzu gezia (beharbada, ohola bera ere ez duzu joko). Bigarren aldiz, dagoeneko zenbait jakintza izango dituzu, adibidez, arkuari eusteko erari dagokionez; horren ondorioz, gezia zehaztasun handiagoaz botako duzu. Ondoren, konturatuko zara besoa era batean edo bestean jarriz, zure gezia joango den norabidea kalibratu dezakezula, eta zure helburua lortzera heldu arte, arku-tiroa praktikatzen jarraituko duzu. Neurona sareak ere ikasteko prozesu horretan oinarritzen dira.

Pertsona bat trebetasunen bat ikasten ari denean, gogoz praktikatzeaz gain, aldaketak egin behar ditu saiakera bakoitzean. Neurona sareen modeloek ere horrela funtzionatzen duela baieztatu dezakegu, izan ere, neurona bakoitza aldaketak egiteko gauza da. Arku-tiroaren adibidea neuronen aldatzeko gaitasunarekin lotzen badugu, esan dezakegu neurona bat tiroaren angelua aldatzeaz arduratzen dela, beste bat besoaren kokapenaz, beste bat atzamarrak soltatzeko momentuaz eta horrela, aldagai guztiekin. Neuronen aldaketa horiek doituta, azkenean, gezia ituaren erdigunean bete-betean sartzeko gai izango gara. Arrazoi honengatik esaten da modeloa “entrenatu” egiten dela. Entrenamendu hori artikulu honetan azalduko ez ditudan matematiken bidez egitea lortzen da. Hala ere, garrantzitsua da ideia orokorra argi izatea: neurona sareen modeloa gai da aldaketa batzuk doitzeko eta, horrela, nahi dugun helburua lortzeko. Behin gezia nola bota ikasitakoan eta teknika horrekin berriz saiatzean, lehen aldiz baino askoz hobeto egingo duzu entrenamenduari esker. Neurona sareekin berdin-berdina gertatzen da, eta datu berriak ematean, modeloak jakingo du dagoeneko beraiekin zer egin.

Agian orain galdetuko duzu… zein ingurunetan erabil ditzakegu neurona sare hauek? Mota desberdinetakoak daude, eta bakoitzak zeregin jakin batzuetarako balio du. Horiek, oso arlo desberdinetan erabil daitezke, irudiak kameren bidez detektatzetik hasi eta aurreko datuetan oinarritutako balioen iragarpena aurkitzera heldu arte. Global Data Quantumen kasuan, neurona-sareak zabor-edukiontzien betetze maila aurreikusteko erabiltzen ditugu. Zaborrontzietako bilketa datuak eta neurona sareak erabiliz, edukiontzi bat noiz beteko den aurreikusi dezakegu. Eta zer esan nahi du honek? Bada, zaborra jasotzeko orduan edukiontzi batzuk hutsik daudela ikusten badugu, zabor kamioiak ibilbidea aldatuko duela eta ez dela edukiontzi horietatik pasatuko. Horrela, denbora eta erregaia aurrezteko gai izango gara.

Puntu honetara arte, neurona-sareak zer diren eta zertarako erabil daitezkeen ikusi dugu, baina, non sartzen da arlo kuantikoa gai honetan? Konputazio kuantikoa, azken hamarkadetan guztion ahotan egon den (eta dagoen) mintzagaia izan da. Zoragarria da mundu guztiak teknologia honi buruz esateko duen guztia, baina errealitateak beste gauza bat dio: ordenagailu kuantikoek ez dituztela guztiok ezagutzen ditugun ordenagailu klasikoak ordezkatuko. Kuantikoa orain arte egon denaren osagarria izango da; ordenagailu klasikoentzako zailegiak diren problemak burutzen lagunduko dute hauek, horrela, errendimendua hobetuz. Honi, quantum machine learning deitzen zaio, eta esan bezala, machine learning arrunta da, baina, konputazio kuantikoa erabiliz. Honi esker, Quantum Data Scientist naizen aldetik, nire lanaren ardatzean dagoen kontzeptua aurkeztu dezaket azkenean: neurona sare kuantikoak. Aurretik aipatu dudan bezala, Global Data Quantumen, neurona-sareak erabiltzen ditugu zaborrontzien betetze maila aurreikusi eta, horrela, zaborra jasotzeko ibilbidea optimizatu ahal izateko. Orain, ordea, teknika klasikoak konputazio kuantikoarekin nahasten hasiko gara.

Zer desberdintasun dago neurona sare klasiko eta neurona sare kuantiko baten artean? Lehenik eta behin, argitu beharra daukagu gaur egun neurona sare kuantikoak ez direla % 100 kuantikoak. Honek algoritmo hibridoak erabiltzen ditugula esan nahi du, hau da, konputazio klasiko eta kuantikoaren tekniken arteko nahaste bat. Neurona sare klasikoei buruz hitz egin dugunean, esan bezala, neurona bakoitzak aldaketak egiteko gaitasuna du helburura hurbiltzea lortu arte. Neurona sare kuantikoek ere berdina egin dezakete, baina orain, ezberdintasun batekin aurkitu gaitezke. Izan ere, gure neurona sarea ordenagailu kuantiko batean inplementatu ahal izateko programatu beharko dugu. Hau zirkuitu kuantikoen (konputazio kuantikora hurbiltzen den sistema bat) bidez lortzen da. Bere izenak aditzera ematen duen bezala, konputazio kuantikoa, konputazioan oinarritzen da eta fisika kuantikoak gainezarpena eta entrelazamendua erabiltzen ditu, beste fenomeno batzuen artean. Utzidazu azken hauek azaltzen… Gainezarpenak objektu bat momentu berean egoera bat baino gehiagotan egon daitekeela (edo balore bat baino gehiago izan dezakeela) esan nahi du. Entrelazamenduak, ordea, zera dio: objektu bat edo gehiagoko sistema bat banatzen badugu, bati gertatzen zaiona besteari ere gertatuko zaiola, nahiz eta espazioari dagokionean sakabanatuta egon. Fenomeno hauek hainbat teknikaren bidez gerta daitezke, baina IBMren ordenagailu kuantikoek (gure programak erabiltzeko baimena daukagu) zirkuitu kuantikoak erabiltzen dituztenez, Global Quantum Datan gure neurona sare kuantikoak zein eratara inplementatzen ditugun azalduko dizut.

Esan bezala, neurona sare kuantikoak zirkuitu kuantikoetan oinarritzen dira, konkretuki, zirkuitu kuantiko bariazionaletan. Bariazional hitzak esaten digunez, zirkuituak balioa aldatu dezakeen elementuak ditu, parametro deituko diegunak. Guk arku-tiroan egiten dugun bezala, zirkuitu kuantikoek ere bere balioa aldatu dezaketen elementuak dituzte. Ordenagailu kuantikoak orain direna baino sofistikatuak direnean, gainezarpen eta entrelazamenduaren fenomenoak aprobetxatu ahalko ditugu informazioa azkarrago prozesatu ahal izateko. Neurona sare kuantiko baten prozesua, orduan, hurrengoa da: lehenik eta behin, aurretik prestatutako datuak zirkuitu kuantikoan sartzen dira. Zirkuituak, informazioa prozesatzen du eta emaitza bat ematen digu. Lehen prozesu hau, arku-tiroan ibiliko bagina, egingo genukeen lehen jaurtiketarekin konparatu ahalko genuke. Imajina ezazu gezia botatzean ohola jotzera ere ez zarela heldu. Emaitza hori kontutan hartuta (emaitza ohola ez jotzea izanik), aldaketak egingo dituzu (aldaketetako bat gezia botatzeko orduan jarritako angelua izan daiteke). Neurona sare kuantikoak gauza bera egingo du eta, emaitza kontutan hartuta, zirkuituaren balio batzuk egokituko ditu. Aurreko prozesu hau (parametroen optimizazioa deitzen dena) modu klasikoan egiten da, hau da, ordenagailu arrunt batekin. Behin lehen saiakera egin eta gero, berriz saiatuko zara, ea hobeto egin dezakezun ikusteko; neurona-sare kuantikoak ere hori egingo du. Guk bezala, neurona sare kuantikoak ere “ikasi” egiten du. Zein da gu bion arteko ezberdintasuna, orduan? Neurona sareak gu baino mila aldiz azkarrago burutzen duela ikasketa prozesu hori. Aipatutako modu honetan ari gara neurona sare klasikoaren teknika konputazio kuantikora eramaten zaborrontzien betetze maila aurreikusteko.

Gaur egun, gauden puntuan, oraindik ez dugu lortu abantaila kuantiko esanguratsua ordenagailu klasikoei dagokienean, baina garrantzitsua da konputazio kuantikoko teknika hauek ikertzen jarraitzea. Neurona sareen aplikazioak askotarikoak dira, eta etengabe garatzen ari den arloa da. Momentu honetan, esan dezakegu gure helburua ez dela arku-tiroan egiten ikastea, baizik eta neurona sareen ezarpenari buruz ahalik eta gehien ikastea.