Квантовые компьютеры могут продвигать искусственный интеллект

24 марта, 2020 In Uncategorized

Ассоциация квантовых компьютеров с машинным обучением стала процветающей областью исследований. Может ли она соответствовать ожиданиям ученых?

В начале 1990-х годов профессор физики Элизабет Берманн из Государственного университета Уичито в Соединенных Штатах начала связывать квантовую физику с искусственным интеллектом — особенно с нейронными сетями, которые в то время еще считались технологией аутсайдеров. Большинство исследователей считали, что Берманн пыталась «смешать масло и воду». 

«Мне было чертовски трудно публиковать свои исследования», — вспоминает ученый. «Журналы с акцентом на нейронные сети ответили: что это за квантовая механика? И журналы по физике спросили: что это за ерунда с нейронными сетями?»

Все же, связь двух тем кажется самой естественной в мире. Нейронные сети и другие системы машинного обучения стали самыми революционными, революционными технологиями XXI века. Они превосходят способности нас, людей, не только в задачах, в которых мы никогда не были выдающимися — такие как шахматы и поиск аномалий в больших объемах данных («интеллектуальный анализ данных»), — но теперь и точно в тех вещах, для которых наш мозг развивался в ходе эволюции, таких как распознавание лиц, переводы и общение между четырьмя транспортными средствами, идущими из разных направлений на равном пересечении. Эти системы могут быть разработаны из-за огромного увеличения вычислительной мощности. И поэтому было неизбежно, что ИТ-компании начнут искать компьютеры, которые были бы не только большими, но и совершенно новым типом вычислительной машины.

«Существует естественная связь между статистической природой квантовых вычислений … и машинным обучением»
(Йоханнес Оттербах)

После десятилетий исследований квантовые компьютеры почти достигли производительности, необходимой для вычислений, которые выходят за рамки возможностей любого другого компьютера в мире. Решающим применением обычно является факторинг больших чисел, что важно для современных методов шифрования. Эта цель должна быть достигнута в ближайшее десятилетие. Но сегодняшние элементарные квантовые процессоры уже поразительно подходят для машинного обучения. Они манипулируют большими полями данных за один шаг, находят тонкие закономерности в данных, к которым не обращают внимания классические компьютеры, и не терпят неудачу из-за неполных или неопределенных данных. «Существует естественная связь между статистической природой квантовых вычислений … и машинным обучением», — говорит он.Физик Йоханнес Оттербах из Rigetti Computing, калифорнийской компании по квантовым компьютерам, базирующейся в Беркли .

Но энтузиазм по этой ссылке в настоящее время выходит за рамки цели. Google, Microsoft, IBM и другие крупные ИТ-компании тратят кучу денег на квантовое машинное обучение. Университет Торонто имеет собственное финансирующее агентство для дочерних компаний, специализирующихся в этой области. «Машинное обучение стало модным словом», — предупреждает квантовый физик Якоб Бьямонте из Сколковского научно-технического института в Москве . «И если вы добавите« квант »к этому модному слову, вы получите еще большее модное слово».

Однако термин «квант» иногда более очевиден, чем термин. Можно было бы ожидать, что квантовая система для машинного обучения является чрезвычайно мощной, но на самом деле она страдает от своего рода синдрома блокировки: она работает с квантовыми состояниями, а не с данными, читаемыми человеком. И перевод одного в другой может привести к потере предполагаемых преимуществ квантовой системы. Это как новый iPhone X, который, несмотря на все свои впечатляющие характеристики, работает так же медленно, как и старый смартфон — просто потому, что локальная сеть так же плоха, как и раньше. В некоторых особых случаях физики могут преодолеть это узкое место ввода-вывода. Однако пока не ясно, имеют ли такие случаи какое-либо значение для практического применения машинного обучения.признается компьютерный ученый Скотт Ааронсон из Техасского университета в Остине . В кругах специалистов он считается голосом разума, когда речь идет о квантовых компьютерах. «Большинство занимается вопросом о том, действительно ли эти алгоритмы быстрее».

Квантовые системы страдают от синдрома блокировки

Наиболее важной задачей нейронных сетей — классических или квантовых сетей — является распознавание паттернов. Вдохновленная структурой человеческого мозга, нейронная сеть состоит из сетчатых переключающих элементов, «нейронов»., Эти элементы могут быть простыми двухпозиционными выключателями. Каждый нейрон контролирует выход многих других нейронов и переключается на «включено», когда достаточное количество других нейронов «включено». Нейроны обычно располагаются слоями. Первый слой принимает входные данные, например, пиксели изображения. Промежуточные слои создают различные комбинации входных данных, которые могут представлять ребра или геометрические фигуры. Последний слой, наконец, обеспечивает вывод данных, например, формализованное описание изображения.

Крайне важно, чтобы соединение нейронов не фиксировалось с самого начала, а скорее приспосабливалось во время процесса, испытывая его. Предположим, что сеть снабжена изображениями, которые помечены как «котята» или «щенки». Затем нейронная сеть предоставляет одну из этих меток для каждого изображения и проверяет, является ли оно правильным. Если нет, он изменяет свои нейронные связи и проверяет, увеличивается ли число попаданий. Сначала сеть только догадывается, но в течение, возможно, 10000 проходов она распознает каждое изображение. Серьезная нейронная сеть имеет миллиард соединений, и каждое из этих соединений должно быть скорректировано в процессе.

В классическом компьютере огромная матрица чисел представляет эти связи. Таким образом, выполнение процесса является матричной алгеброй. Такие матричные операции обычно выполняются специальными графическими процессорами. Но квантовые компьютеры созданы для матричных расчетов. «Манипулирование большими матрицами и большими векторами экспоненциально быстрее на квантовом компьютере», — говорит физик Сет Ллойд из Массачусетского технологического института , один из пионеров квантовых компьютерных технологий.

Объем памяти в квантовых системах растет в геометрической прогрессии

В этой задаче квантовые компьютеры могут воспользоваться экспоненциальной природой квантовых систем, Большая часть емкости квантовой системы заключается не в ее отдельных единицах данных, кубитах, а в коллективных свойствах кубитов. Два кубита имеют четыре связанных состояния: оба «вкл», оба «выкл», «вкл / выкл» и «выкл / вкл». Каждое из этих состояний представлено с определенным весом, своей «амплитудой» и представляет собой нейрон. Если вы добавите третий кубит, восемь нейронов уже могут быть представлены таким образом, с четвертым и даже 16, и так далее. Емкость системы растет экспоненциально с увеличением количества кубитов. Нейроны распределены по всей системе. Если вы выполняете операцию в состоянии четырех кубитов, вы обрабатываете 16 чисел за один раз.

Ллойд подсчитал, что 60 кубитов будет достаточно для кодирования общего количества данных, которые человечество производит за год. И 300 кубитов могут даже содержать весь классический информационный контент всей наблюдаемой вселенной. Самые большие квантовые компьютеры в настоящее время — машины от IBM, Intel и Google — имеют около 50 кубитов. В своих соображениях Ллойд упростил, что каждая амплитуда соответствует классическому биту. Фактически амплитуды являются непрерывными, а также сложными величинами. Предполагая правдоподобную экспериментальную точность, согласно Ааронсону, можно даже сохранить до 15 битов с любой амплитудой.

Это свойство хранить огромное количество информации не делает квантовые компьютеры быстрее, чем традиционные: вы должны быть в состоянии использовать кубиты. В 2008 году Ллойд, физик Арам Харроу из Массачусетского технологического института и ученый-компьютерщик Авинатан Хасидим из Университета Бар-Илан в Израиле, показали, как можно выполнить важную алгебраическую операцию инверсии матрицы., Они приписали вычисление последовательности логических операций, которые могут быть выполнены на квантовом компьютере. Ваш алгоритм работает для широкого спектра процессов машинного обучения. И это не требует столько шагов, сколько факторинг больших чисел. Таким образом, квантовый компьютер может выполнить задачу классификации до того, как шум — главный ограничивающий фактор в современной квантовой технологии — может испортить результат. «Квантовые системы могут предложить преимущества даже до того, как у нас будет полностью универсальный, отказоустойчивый квантовый компьютер», — говорит Кристан Темм из Исследовательского центра Томаса Дж. Уотсона в IBM.

Пусть природа решит проблему!

До сих пор машинное обучение на основе квантово-матричной алгебры было продемонстрировано только на машинах с четырьмя кубитами. Большинство экспериментальных успехов в обучении квантовой машине до сих пор использовали другой подход. Здесь квантовая система не моделирует сеть, но это сеть. Каждый кубит тогда представляет нейрон. Хотя преимущество экспоненциального роста потеряно, такая машина может использовать другие свойства квантовой физики.

Самая большая такая система, разработанная D-Wave Systems вблизи Ванкувера, Канада, содержит около 2000 кубитов. Система — это не то, чем большинство людей представляет компьютер. Вместо выполнения ряда арифметических операций на основе входных данных и последующего вывода данных выполняется поиск внутренней согласованности. Каждый из его кубитов представляет собой сверхпроводящий электрический контур, который действует как крошечный электромагнит: он может быть ориентирован вверх или вниз — или в суперпозиции этих двух состояний. Кубиты «связаны» друг с другом тем, что могут магнитно взаимодействовать друг с другом.

Чтобы использовать систему, она сначала подвергается воздействию горизонтального магнитного поля. В результате все кубиты оказываются в одном и том же наложении «вверх» и «вниз» — эквивалент пустой памяти. Есть несколько способов ввода данных. В некоторых из них кубиты слоя привязаны к нужным входным данным. Сила взаимодействия между кубитами чаще всего представляет входные данные. Тогда вы позволяете кубитам взаимодействовать. Некоторые присоединяются к своим соседям под влиянием внешнего поля, некоторые в противоположном направлении. При этом каждый из них заставляет другие кубиты менять свою ориентацию. В начале это часто случается, потому что многие кубиты неблагоприятно выровнены. Однако со временем события успокаиваются. Затем горизонтальное поле отключается и состояние, таким образом, фиксируется. Кубиты теперь показывают схему их ориентации, полученную из входных данных.

«Нам не нужен алгоритм. Наш подход полностью отличается от обычного программирования. Природа решает проблему»
(Хидэтоши Нисимори)

Ни в коем случае нельзя предсказать, как будет выглядеть окончательная структура кубитов — и это как раз и есть решающий момент. Простое развитие системы естественным образом решает проблему, с которой придется бороться обычному компьютеру. «Нам не нужен алгоритм», — объясняет физик Хидетоши Нисимори из Токийского технологического института . Он разработал принципы, на которых работает машина, созданная D-Wave. »Это полностью отличается от обычного программирования. Природа решает проблему. «

Кубиты перевернуты из-за эффекта квантового туннеля, естественного стремления квантовых систем принять их оптимальную конфигурацию и не удовлетворяться менее удачным расположением . Можно настроить классическую сеть, которая работает аналогично, и случайное встряхивание берет на себя роль эффекта туннеля, чтобы перевернуть биты. В некоторых случаях такая система будет работать еще лучше. Интересно, что квантовая сеть достигает оптимума быстрее, особенно когда есть проблемы с машинным обучением.

У квантовой машины D-Wave также есть недостатки: она чрезвычайно шумная и в своей текущей версии может выполнять только ограниченный выбор операций. С другой стороны, алгоритмы машинного обучения по своей природе очень терпимы к шуму. Они полезны именно потому, что могут выявлять закономерности в запутанной реальности — например, отличать котят от щенков, даже если на неправильных дорожках есть ошибки изображения. «Нейронные сети известны своей устойчивостью к шуму», — говорит Берманн.

Квантовая система как однослойная нейронная сеть

В 2009 году команда во главе с компьютерным ученым Google Хартмутом Невеном продемонстрировала — Он считается пионером «дополненной реальности» (AR), был соучредителем проекта «Google Glass» и, наконец, обратился к квантовой обработке информации — как одна из первых машин D-Wave, замечательная Может решать задачи машинного обучения. Исследователи использовали машину как тип нейронной сети с одним слоем для сортировки изображений из базы данных 20 000 уличных сцен на два класса: «машина» и «нет машины». У машины было всего 52 кубита, что слишком мало для загрузки всего изображения. Поэтому команда Невена объединила квантовую машину с классическим компьютером, который вычислил различные статистические размеры изображений и определил, как эти размеры зависят от наличия автомобиля на изображении. В основном это был небольшой эффект, но он был, по крайней мере, более значимым, чем подбрасывание монеты. Идея состоит в том, что некоторые комбинации этих размеров могут быть использованы для надежной идентификации автомобилей — но не было ясно, какие комбинации. Задачей квантовой системы было выяснить именно это.

Команда присвоила кубит каждой статистической переменной. Если этот кубит остановился на значении 1, соответствующий размер был отмечен как полезный. Если значение кубита было 0, размер не представлял интереса. Магнитное взаимодействие кубитов закодировало требования задачи, например, только принимая во внимание наиболее важные размеры и делая окончательный выбор максимально компактным. В результате фактически удалось распознать автомобили.

В 2017 году другая команда во главе с физиком-частицей Марией Спиропулу из Калифорнийского технологического института и физиком Даниэлем Лидаром из Университета Южной Калифорнии применила алгоритм к физической проблеме: классификация столкновений протонов как «бозон Хиггса» или «ничего» Хиггс Бозон «. Исследователи ограничились столкновениями, которые производили фотоны. Они использовали базовую теорию частиц, чтобы предсказать, какие свойства фотонов выявят изменчивое существование бозона Хиггса, такого как импульс, превышающий определенный порог. Команда рассмотрела восемь свойств и 28 их комбинаций, в общей сложности 36 сигналов, Затем исследователи позволили новой системе D-Wave в Университете Южной Калифорнии искать оптимальный выбор. Квантовая система определила 16 размеров как полезные и три из них как абсолютные лучшие. Квантовая машина требовала меньше данных, чем стандартные методы для точной идентификации размеров. «Ввиду того, что объем обучения был небольшим, квантовый метод дал лучший результат, чем традиционные методы, которые распространены в физике высоких энергий», — говорит Лидар.

Квантовые компьютеры общего назначения сортируют города

В декабре 2017 года команда Rigetti и их коллеги показали, как можно автоматически сортировать объекты с помощью квантового компьютера общего назначения с 19 кубитами. Исследователи накормили машину списком городов и расстояниями между ними. Затем машина должна отсортировать города по двум географическим регионам. Проблема настолько сложна, потому что назначение города зависит от назначений всех остальных; вся система должна быть решена одновременно.

Команда Rigetti эффективно назначает кубит каждому городу, указывая, к какому региону относится этот город. О взаимодействиях кубитов — которые в этом случае были электрическими, а не магнитными — каждая пара кубитов пыталась принять противоположные значения, потому что это энергетически самое дешевое. Для каждой системы с более чем двумя кубитами пары кубитов должны иметь одинаковую ориентацию для сортировки в одну и ту же область. Соседние города имели тенденцию делать это с большей вероятностью, потому что у них меньше энергии для сопоставления с одним и тем же регионом, чем с городами, расположенными дальше друг от друга.

Чтобы довести систему до минимального уровня энергии, команда использовала метод, аналогичный процессу D-Wave. Исследователи инициализировали кубиты в суперпозиции всех возможных заданий. Затем они позволили кратко взаимодействовать кубитам, которые имели тенденцию принимать противоположные или одинаковые направления. Затем они применили аналог горизонтального магнитного поля. Это позволило кубитам перевернуться, когда это было энергетически выгодно для них. Таким образом, система продвинулась немного дальше к состоянию с самой низкой энергией. Затем исследователи повторяли этот двухэтапный процесс — сначала взаимодействие, затем переключение — пока система не минимизировала свою энергию. Города были фактически отсортированы в два разных региона.

«Генеративные методы очень эффективны и очень полезны в машинном обучении, но они также очень сложны»
(Мухаммед Амин)

Такие классификации полезны, но управляемы. Ключевыми задачами машинного обучения являются генеративные модели: процессы, которые не просто различают щенков и котят, но могут независимо создавать новые архетипы — животных, которых никогда не было, но которые такие же милые, как и те, которые уже существуют. Процедуры могли бы даже обнаружить категории «котята» и «щенки» сами, или завершить картины, в которых отсутствует хвост или лапа. «Эти методы очень эффективны и очень полезны в машинном обучении, но они также очень сложны», — говорит Мохаммад Амин, главный научный сотрудник D-Wave . Следовательно, помощь квантовой системы будет приветствоваться.

D-Wave и другие исследовательские группы приняли этот вызов. Обучение такой модели означает настройку магнитных или электрических взаимодействий между кубитами, чтобы система могла воспроизводить данные испытаний. Для этого вы объединяете квантовую сеть с обычным компьютером. Сеть выполняет тяжелую работу — она ​​выясняет, что означает выбранная конфигурация взаимодействий для окончательной конфигурации сети. Классический компьютер использует эту информацию для настройки взаимодействия. На демонстрации системы в 2017 году Алехандро Пердомо-Ортиз из Лаборатории квантового искусственного интеллекта НАСА кормили его команда — система D-Wave с рукописными цифрами. Он независимо нашел, что есть десять различных категорий, которые соответствуют цифрам от 0 до 9, а также создал свои собственные набросанные цифры.

Узкие места в туннелях

Так много для хороших новостей. Плохая новость: неважно, насколько хорош процессор, если вы не можете вставить в него данные. Алгоритм матричной алгебры может манипулировать матрицей из 16 чисел за одну операцию. Но для загрузки матрицы все еще требуется 16 операций. »Подготовка квантового состояния — хранение классических данных в квантовом состоянии — это проблема, которой мы до сих пор избегали. Но я думаю, что это самая важная часть процесса », — говорит Мария Шульд из стартапа по квантовым компьютерам Ксанаду, которая одна из первых получила докторскую степень в области обучения квантовым машинам. Системы машинного обучения, которые физически решают проблему, сталкиваются с аналогичными трудностями:

Если вам удалось перенести ваши данные в систему, вы должны сохранить их, чтобы квантовая система могла взаимодействовать с ними без срыва текущих вычислений. Ллойд и его коллеги предложили квантовую оперативную память, которая работает с фотонами. Однако до сих пор не было сравнимых идей для сверхпроводящих кубитов или ионных ловушек, и эти методы используются в ведущих квантовых компьютерах. «Это еще одна серьезная технологическая проблема, помимо того, что вообще трудно создать квантовый компьютер», — говорит Ааронсон. «Физики-экспериментаторы, с которыми я разговаривал, запуганы этим — они понятия не имеют, как начать решать проблему».

И наконец: как вы снова получаете данные из системы? Для этого необходимо измерить квантовое состояние системы. Однако такое измерение обеспечивает не только одно число на измерение, случайно полученное из распределения вероятностей. Это также приводит к разрушению всего состояния , уничтожая оставшиеся данные, прежде чем у вас появится возможность получить к ним доступ. Вы должны запускать весь алгоритм снова и снова, чтобы получить всю информацию.

Неправильные ответы удаляют друг друга

Но не все потеряно. Явление квантовой интерференции можно использовать для решения некоторых задач. Хореография операций может быть разработана таким образом, что неправильные ответы взаимно компенсируют друг друга, а правильные — усиливают друг друга. Если вы затем измеряете квантовое состояние, вы больше не получаете случайное число, но желаемый ответ. Однако только несколько алгоритмов, таких как метод поиска методом грубой силы, способны использовать помехи, и выигрыш в скорости вычислений тогда будет лишь умеренным.

В некоторых случаях исследователям удалось найти более простые способы подачи и чтения данных. В 2015 году Ллойд, Сильвано Гарнероне из Университета Ватерлоо в Канаде и Паоло Занарди из Университета Южной Калифорнии показаличто при определенных статистических анализах нет необходимости вводить и сохранять полный набор данных. И вам не нужно считывать все данные, если достаточно нескольких ключевых данных. Например, некоторые компании используют машинное обучение, чтобы предложить, какие фильмы смотреть или какие продукты покупать. Для этого они используют гигантскую матрицу, которая содержит все данные о поведении клиентов. «Но Netflix, Amazon и другим компаниям не нужно нигде сохранять эту матрицу», — говорит Ааронсон. «За один раз вы должны генерировать рекомендации только для одного клиента».

«В наших публикациях мы не говорим о том, быстрее ли квантовый процесс»
(Алекс Мотт)

Все это неизбежно приводит к конкретному вопросу: если квантовые машины особенно мощны только в особых случаях, не может ли быть так, что классические компьютеры также особенно мощны в этих случаях? Это большой вопрос без ответа в этой области. В конце концов, обычные компьютеры в любом случае уже очень мощные. Обычный способ работы с большими наборами данных — случайными выборками — на самом деле очень похож на работу квантовых компьютеров, что, что бы ни происходило внутри, дает случайный результат. «Я уже написал много алгоритмов, которые, на мой взгляд, были удивительно быстрыми», — объясняет Шульд. »Просто для забавы я тогда написал метод случайной выборки для классических компьютеров — просто чтобы посмотреть

Если вы оглянетесь на успехи квантового машинного обучения, то все они демонстрируют определенные ограничения. Например, машина D-Wave не быстрее классической машины при классификации изображений автомобилей или бозонов Хиггса. «Мы не говорим в наших публикациях о том, быстрее ли квантовый процесс», — говорит ученый Алекс Мотт из Google DeepMind, член исследовательской группы Хиггса. Методы матричной алгебры, такие как алгоритм Харроу, Хасидима и Ллойда, работают быстрее только в том случае, если матрицы малонаселены, т. Е. В основном содержат нули. «И никто никогда не спрашивает, имеют ли такие малонаселенные наборы данных какое-либо значение для машинного обучения», — говорит Шульд.

«С достаточно большими и быстрыми квантовыми компьютерами мы можем революционизировать многие области машинного обучения»
(Натан Вибе)

С другой стороны, даже случайные постепенные улучшения по сравнению с существующими технологиями делают ИТ-компании счастливыми. »Улучшения, которые вы видите до сих пор, являются лишь умеренными. Они растут не в геометрической прогрессии, а в квадрате », — говорит специалист по квантовым компьютерам Натан Вибе из Microsoft Research . «Имея достаточно большие и быстрые квантовые компьютеры, мы могли бы произвести революцию во многих областях машинного обучения». В ходе использования систем ученые-компьютерщики могли решить теоретическую проблему того, являются ли квантовые компьютеры действительно системными по своей природе быстрее — и если да, то для каких приложений.

Вина также видит возможности для улучшения в области программного обеспечения. Машинное обучение — это не просто набор вычислений. Это комплекс проблем со своей особой структурой. «Алгоритмы, созданные некоторыми людьми, далеки от того, что делает машинное обучение интересным и красивым», — говорит она. »Вот почему я попытался перевернуть все с ног на голову: если у меня уже есть эти квантовые компьютеры — эти небольшие системы — какие модели машинного обучения могут быть реализованы там вообще? Возможно, это модели, которые еще не были изобретены. «Если физики хотят произвести впечатление на специалистов по машинному обучению, они должны показать больше, чем просто квантовые версии существующих моделей.

Как многие исследователи мозга считают, что структура человеческого мышления зависит от существования тела, так и системы машинного обучения по-своему «связаны» с телом. Изображения, язык и большинство других данных, которые проходят через такие системы, происходят из физического мира и отражают его природу. Это также относится к квантовому машинному обучению, но чьи системы встроены в мир, более богатый, чем наш. Одна область, где квантовые системы, без сомнения, будут выделяться, — это обработка данных, которые уже имеют квантовые свойства. Если данные не изображение, а продукт физического или химического эксперимента, тогда квантовая машина находится в своем собственном элементе.

Мозг ведет себя как квантовые компьютеры

Чудесным образом со ссылкой на себя первые системы квантового машинного обучения могли даже помочь развить своих собственных преемников. «Одним из способов использования этих систем было бы создание самих квантовых компьютеров», — говорит Вибе. «Для некоторых задач по устранению неполадок это единственный подход, который у нас есть». Возможно, такие системы могут даже проверять людей на наличие ошибок.

Даже если не обращать внимания на весьма спорный вопрос о том, является ли человеческий мозг квантовым компьютером : иногда он ведет себя, по крайней мере, как один. Поведение человека чрезвычайно зависимо от контекста. Наши решения зависят от того, какие варианты предлагаются нам, что зачастую трудно объяснить логически. В этом мы похожи на квантовые частицы. «Это зависит от того, как и в каком порядке вы задаете вопросы, и это также типично для количественных данных», — говорит Пердомо-Ортиз. Таким образом, системы квантового машинного обучения могли бы стать естественным способом изучения когнитивных предубеждений человека.

Нейронные сети и квантовые процессоры имеют одну общую черту: удивительно, что они работают вообще. Ни в коем случае не было ясно, что сеть может быть обучена — и в течение многих десятилетий многие исследователи сомневались, что это когда-нибудь можно будет сделать. С самого начала было также неясно, можно ли использовать квантовую физику для расчетов, потому что характерные эффекты квантовой физики хорошо скрыты от нас. И все же оба работают — не всегда, но чаще, чем мы могли ожидать. Поэтому нам представляется вероятным, что сочетание обеих технологий также найдет свое место.

Leave a comment

Your email address will not be published. Required fields are marked *