Nová výzkum přináší průlom v kvantovém počítačovém výpočtu

Nový výzkum týmu z Los Alamos National Laboratory přinesl průlom v kvantovém počítačovém výpočtu. Nový teorém prokázal, že konvoluční neuronové sítě lze vždy trénovat na kvantových počítačích, což překonává hrozbu známou jako “barren plateaus” v optimalizačních problémech.

Výzkum byl zveřejněn v Physical Review X.

Barren Plateaus – Základní problém řešitelnosti

Konvoluční neuronové sítě lze spustit na kvantových počítačích pro lepší analýzu dat než klasické počítače. Nicméně, existuje základní problém řešitelnosti nazývaný “barren plateaus”, který omezil aplikaci neuronových sítí pro velké datové sady.

Marco Cerezo je spoluautor výzkumné práce s názvem “Absence of Barren Plateaus in Quantum Convolutional Neural Networks.” Cerezo je fyzik, který se specializuje na kvantový počítačový výpočet, kvantový strojové učení a kvantovou informaci v laboratoři.

“Způsob, jakým konstruujete kvantovou neuronovou síť, může vést k barren plateau — nebo ne,” řekl Cerezo. “Prokázali jsme absenci barren plateaus pro speciální typ kvantové neuronové sítě. Naše práce poskytuje záruky pro tento architekturu, což znamená, že lze obecně trénovat jeho parametry.”

Kvantové konvoluční neuronové sítě zahrnují řadu konvolučních vrstev, které jsou proloženy poolingovými vrstvami, umožňujícími snížení dimenze dat a zachování důležitých vlastností datové sady.

Neuronové sítě lze použít pro širokou škálu aplikací, jako je rozpoznávání obrazů a objev materiálu. Pro plné využití potenciálu kvantových počítačů v aplikacích umělé inteligence je nutné překonat barren plateaus.

Podle Cereza výzkumníci v kvantovém strojovém učení tradičně analyzovali, jak zmírnit účinky tohoto problému, ale dosud nevyvinuli teoretický základ pro jeho úplné překonání. To se mění s novým výzkumem, protože týmova práce prokázala, že některé kvantové neuronové sítě jsou imunní vůči barren plateaus.

Patrick Coles je kvantový fyzik v Los Alamos a spoluautor výzkumu.

“S touto zárukou v ruce budou výzkumníci moci procházet kvantově-počítačovými daty o kvantových systémech a použít tyto informace pro studium materiálových vlastností nebo objev nových materiálů, mezi jinými aplikacemi,” řekl Coles.

Vanishing Gradient

Hlavní problém pramení z “vanishing gradient” v optimalizační krajině, která se skládá z kopců a údolí. Cílem je trénovat parametry modelu pro nalezení řešení prozkoumáním geografie krajiny, a zatímco řešení je obvykle na dně nejnižšího údolí, není to možné, když je krajina rovinatá.

Problém se stává ještě obtížnějším, když se zvyšuje počet datových vlastností, a krajina se stává exponenciálně rovinatou s velikostí vlastností. To naznačuje přítomnost barren plateau, a kvantová neuronová síť nelze škálovat.

Pro řešení tohoto problému tým vyvinul novou grafickou metodu pro analýzu škálování v kvantové neuronové síti. Tato síť se očekává, že bude mít aplikaci v analýze dat z kvantových simulací.

“Obor kvantového strojového učení je stále mladý,” řekl Coles. “Existuje slavná citace o laserech, když byly poprvé objeveny, která říkala, že jsou řešením bez problému. Nyní se lasery používají všude. Podobně se mnoho z nás domnívá, že kvantová data se stanou vysoce dostupnými, a pak kvantové strojové učení vzroste.”

Škálovatelná kvantová neuronová síť by mohla umožnit kvantovému počítači procházet rozsáhlou datovou sadou o různých stavech daného materiálu. Tyto stavy by pak mohly být korelovány s fázemi, což by pomohlo identifikovat optimální stav pro vysokoteplotní supravodivost.