מחשוב קוונטי עשוי לעזור להגן על בינה מלאכותית מפני תקיפות סייבר
This post is also available in: 
English (אנגלית)
בתקופה קריטית זו בה הפיתוח והפריסה של טכנולוגיית בינה מלאכותית מתפתחים במהירות, מומחים בוחנים דרכים בהן נוכל להשתמש במחשוב קוונטי כדי להגן על בינה מלאכותית מהפגיעויות שלה.
למידת מכונה היא תחום של בינה מלאכותית בו מודלים ממוחשבים הופכים למומחים במשימות שונות על ידי צריכת כמויות גדולות של נתונים, במקום שאדם יתכנת באופן מפורש את רמת המומחיות שלהם. אלגוריתמים אלה אינם צריכים שילמדו אותם, אלא ללמוד מלראות דוגמאות, בדומה לאופן שבו ילד לומד.
אבל למרות הפופולריות והחדשנות שלהם, מסגרות מבוססות למידת מכונה פגיעות מאוד לחבלה זדונית בנתונים שלהן, מה שגורם להן להיכשל בדרכים מפתיעות.
דוגמה לכך היא מודלים לסיווג תמונות אותם ניתן להטעות יחסית בקלות על ידי הוספת "הפרעות" לתמונות הקלט, מה שמעלה שאלות לגבי הבטיחות של פריסת רשתות המבוססות על למידת מכונה במצבים שעלולים לסכן חיים. לדוגמה, במכוניות אוטונומיות המערכת יכולה להתבלבל ולנהוג דרך צומת בעקבות פיסת גרפיטי פשוטה על תמרור עצור.
על פי Techxplore, ההתקדמות האחרונה במחשוב קוונטי יצרה התרגשות רבה לגבי הסיכוי לשפר למידת מכונה בעזרת מחשבים קוונטיים. יש מאמינים כי מודלי למידת מכונה קוונטיים יוכלו ללמוד סוגים מסוימים של נתונים משמעותית יותר מהר מכל מודל המיועד למחשבים "קלאסיים".
עם זאת, עדיין לא ברור עד כמה נרחבים יהיו השיפורים האלה וכמה שימושית תהיה הלמידה הקוונטית בפועל. הסיבה לכך היא שלמרות שמחשבים קוונטיים צפויים ללמוד ביעילות סוג רחב יותר של מודלים מאשר עמיתיהם הקלאסיים, אין ערובה לכך שהמודלים החדשים האלה יהיו שימושיים עבור משימות למידת המכונה בהן אנשים באמת מעוניינים (כמו בעיות סיווג רפואיות או מערכות בינה מלאכותית).
אתגרים אלה הניעו צוות של חוקרים מאוניברסיטת מלבורן לבדוק אילו יתרונות אחרים מחשוב קוונטי יכול להביא למשימות למידה מכונה, מעבר למטרות הרגילות של שיפור יעילות או דיוק.
הצוות טוען כי מודלי למידת מכונה קוונטיים עשויים להיות מוגנים יותר מפני התקפות מחשב קלאסיות (שעובדות על ידי זיהוי וניצול התכונות המשמשות מודלי למידת מכונה).
מאחר שהתכונות בהן משתמשים מודלים גנריים של למידת מכונות קוונטיות אינן נגישות למחשבים קלאסיים, הן בלתי נראות לשחקן זדוני החמוש רק במשאבי מחשוב קלאסיים.
למרות שתגלית זאת מעודדת, למידת מכונה קוונטית ממשיכה להתמודד עם אתגרים משמעותיים, הגדול מהן הוא פער היכולת העצום שמפריד בין חומרה קלאסית לחומרת מחשוב קוונטית. בעיה נוספת היא גודלם המוגבל ושיעורי השגיאה הגבוהים שלהם המונעים מהם לבצע חישובים ארוכים.
עם זאת, למרות שיש עדיין אתגרים הנדסיים משמעותיים, אם הם יכולים להיפתר, היכולות הייחודיות של מחשבים קוונטיים בקנה מידה גדול בוודאי יספקו יתרונות מפתיעים בתחומים חשובים רבים.
