ד"ר עדי מכמל משלבת בין פיזיקה קוונטית ותהליכי למידה

מחשב קוונטי יוכל לפתור בעיות מסוימות הרבה יותר מהר – אלפי שנים יותר מהר - ממחשב קלאסי. ד"ר עדי מכמל מנסה לעשות שימוש ביכולת הזו עבור בעיות של למידת מכונה, והיא מחפשת שותפים לדרך

בחודש אוקטובר האחרון דיווחה ענקית החיפוש גוגל שהמחשב הקוונטי שלה, סיקמור, הצליח לבצע בשלוש דקות ו-20 שניות חישוב שהיה לוקח למחשב הרגיל הכי חזק שיש ברשותנו כעשרת אלפים שנה. "בניגוד לביט, יחידת הבסיס של מחשב רגיל, שיכולה להיות 0 או 1 – הקיוביטים, הביטים הקוונטיים, יכולים להיות בשני המצבים בעת ובעונה אחת, באיזושהי הסתברות. התכונה הזו היא אחת מכמה תכונות קוונטיות שמאפשרות מיקבול של עיבוד האינפורמציה, וכתוצאה מכך חישוב מהיר יותר", מסבירה ד"ר עדי מכמל. "חומרה שמבוססת על רכיבים עם תכונות קוונטיות יכולה לבצע חישובים הרבה יותר מהירים עבור בעיות ספציפיות, כמו למשל למצוא את הגורמים הראשוניים של מספר כלשהו. זה משמעותי כי מערכות ההצפנה באינטרנט, למשל, מבוססות על אלגוריתם RSA שמניח שפירוק מספר לגורמים ראשוניים אינו אפשרי בזמן קצר. אם מחשבים קוונטיים יאפשרו פירוק מהיר של מספרים לגורמים ראשוניים - כל מערך ההצפנה באינטרנט יקרוס. עם זאת, חשוב להבין שלא את כל הבעיות אפשר לפתור מהר יותר בעזרת מחשב קוונטי. האתגר הוא למצוא את אותן בעיות שעבורן חישוב קוונטי יתן יתרון משמעותי אל מול מקבילו הקלאסי".

מכמל (41, נשואה ואם לשתי בנות) מנסה לאתר את הבעיות הללו מאז הפוסט דוקטורט שלה, אותו עשתה במכון לחקר אופטיקה קוונטית ואינפורמציה קוונטית (IQOQI) ובמחלקה לפיזיקה תיאורטית באוניברסיטת אינסברוק שבאוסטריה. "אני עובדת על הממשק שבין חישוב קוונטי ללמידת מכונה, במטרה לפתח אלגוריתמים של למידה שמשתמשים בכלים קוונטיים," היא מספרת. "למידת מכונה זו היכולת לקחת המון מידע לא מעובד ולתת לאלגוריתם לעבד אותו, לזהות דפוסים בתוך המידע ולהסיק ממנו מסקנות. היא מאפשרת עיבוד מידע בכמויות עצומות, והיא רלוונטית לשלל תחומים, ובהם  כלכלה, פיזיקה, כימיה וביולוגיה. למידת מכונה יכולה לסייע, לדוגמה, בכל הקשור לניתוח נתונים רפואיים (לדוגמה מחשב שמשקלל נתונים על סימפטום מסוים שנלקחו ממיליוני אנשים), מכוניות חכמות, או מערכות המלצה – אלה שבזכותן אנחנו מקבלים הצעות שונות בפייסבוק, באתרי קניות ואפילו בחלק ממנועי החיפוש באינטרנט."

ב-2017, לאחר סיום הפוסט שלה וחזרתה ארצה, הצטרפה מכמל לקבוצת ההמלצות של מייקרוסופט ישראל, כחוקרת של למידת מכונה. במקביל, האקדמיה קראה לה. באוקטובר האחרון הצטרפה כחוקרת לפקולטה להנדסה של אוניברסיטת בר אילן, ובימים אלה היא מקימה את קבוצת המחקר שלה, שתעסוק בלמידת מכונה קוונטית (quantum machine learning). "המחקר מתעסק בכל מה שקשור בלמידת מכונה מצד אחד, בחישוב קוונטי מצד שני, ובשילובים ביניהם. למשל למידה עמוקה קוונטית(quantum deep learning)  שמציעה מודל חישובי של רשתות נוירונים עבור חומרה קוונטית, או למידת חיזוק קוונטית (quantum reinforcement learning)  שבה משתמשים באלגוריתמים קוונטיים למימוש למידה המתבססת על מתן חיזוקים מהסביבה. "כמובן, חשוב להבהיר שכרגע החישובים הם תיאורטיים בלבד. מחשבים קוונטיים יש בימים אלו רק לכמה חברות, ובכל אחד מהם יש כמה עשרות קיוביטים בלבד". היא מבהירה. "עם זאת, התחום הזה הוא תחום בצמיחה ואפשר לקחת אותו לכיוונים מרתקים. המחקר שמשלב בין חישוב קוונטי ללמידה החל בעשור האחרון, והוא מושתת על ההבנה שיש דמיון במבנה המתמטי של בעיות למידה ושל חישוב קוונטי. בפרט, הייצוגים המתמטיים של שני התחומים מתקיימים במרחבים ווקטוריים אבסטרקטיים רב מימדיים, ובשניהם משתמשים באותם הכלים המתמטיים, בעיקר אלגברה לינארית והסתברות. ברמה האישית יותר, תמיד התעניינתי בלמידה של בני אדם, גם רמה הפיזית וגם ברמה הפסיכולוגית, ומצד שני בפיזיקה קוונטית, בחוקי היסוד של מה ששולט בחומר שמסביבנו. יש משהו בשילוב הזה שמאפשר התעסקות בשני התחומים, שלכאורה לא קשורים, שאותי מאוד משמח," היא מחייכת.

ולאיזה כיוון מעשי אפשר לקחת את העבודה הזו?. "התקווה היא שאנשי הניסוי יצליחו לבנות מחשבים קוונטיים עם יותר כח חישוב (יותר קיוביטים) ושאנו, התאורטיקאים, נפתח אלגוריתמי למידה קוונטיים שירוצו עליהם ויאפשרו ניתוח מהיר של כמויות מידע עצומות, הרבה מעבר למה שמתאפשר כיום. זו המוטיבציה המעשית למחקר. ביום ביום, כל צעד, ולו קטן, שמקרב אותנו אל עבר הבנה טובה יותר של מכונות למידה מחד וחישוב קוונטי מאידך – הוא צעד מאתגר ומעניין בפני עצמו. אני מחפשת סטודנטים לתואר שני ושלישי, סקרנים וחרוצים, ממדעי המחשב, הנדסה, פיזיקה ומתמטיקה שמתעניינים בתיאוריה של חישוב קוונטי ורוצים לקחת חלק במסע הזה."