Nová výzkum přináší průlom v kvantovém počítačovém zpracování

Nový výzkum týmu na Los Alamos National Laboratory přinesl průlom v kvantovém počítačovém zpracování. Nový teorém demonstruje, že konvoluční neuronové sítě lze vždy trénovat na kvantových počítačích, což překonává hrozbu známou jako „neúrodné plošiny“ v optimalizačních problémech.

Výzkum byl zveřejněn v Physical Review X.

Neúrodné plošiny – fundamentální řešitelnost problému

Konvoluční neuronové sítě lze spustit na kvantových počítačích pro lepší analýzu dat než klasické počítače. Existuje však fundamentální řešitelnost problému nazývaná „neúrodné plošiny“, která omezila aplikaci neuronových sítí pro velké datové sady.

Marco Cerezo je spoluautorem výzkumné práce s názvem „Absence neúrodných plošin v kvantových konvolučních neuronových sítích“. Cerezo je fyzik, který se specializuje na kvantové počítačové zpracování, kvantové strojové učení a kvantovou informaci v laboratoři.

„Způsob, jakým konstruujete kvantovou neuronovou síť, může vést k neúrodné plošině – nebo ne,“ řekl Cerezo. „Prokázali jsme absenci neúrodných plošin pro zvláštní typ kvantové neuronové sítě. Naše práce poskytuje záruky pro trénování tohoto architektonického návrhu, 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 při zachování důležitých funkcí datové sady.

Neuronové sítě lze použít pro širokou škálu aplikací, jako je rozpoznávání obrazů a objev materiálu. Aby se využily plné možnosti kvantových počítačů v aplikacích umělé inteligence, je nutné překonat neúrodné plošiny.

Podle Cereza tradičně analyzovali výzkumníci v oblasti kvantového strojového učení, jak zmírnit účinky tohoto problému, ale dosud nevyvinuli teoretický základ pro jeho úplné překonání. To se mění s novým výzkumem, protože práce týmu demonstruje, jak některé kvantové neuronové sítě jsou imunní vůči neúrodným plošinám.

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

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

Mizící gradient

Hlavní problém vyplývá z „mizícího gradientu“ v optimalizační krajině, kterou tvoří kopce a údolí. Cílem je trénovat parametry modelu pro nalezení řešení prozkoumáním geografie krajiny, a zatímco řešení je obvykle na dně nejnižšího údolí, toto není možné, když je krajina plochá.

Problém se stává ještě složitějším, když se zvyšuje počet funkcí dat, a krajina se stává exponenciálně plochou s velikostí funkcí. To naznačuje přítomnost neúrodné plošiny, a kvantová neuronová síť nelze škálovat.

Aby se tomu zabránilo, tým vyvinul novou grafickou metodu pro analýzu škálování v kvantové neuronové síti. Tato neuronová síť se očekává, že bude mít aplikaci v analýze dat z kvantových simulací.

„Obor kvantového strojového učení je ještě mladý,“ řekl Coles. „Existuje známá citace o laserech, když byly poprvé objeveny, která říkala, že jsou řešením hledajícím problém. Nyní jsou lasery používány všude. Podobně se domníváme, že kvantová data se stanou vysoce dostupnými, a poté 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 poté mohly být korelovány s fázemi, které by pomohly identifikovat optimální stav pro vysokoteplotní supravodivost.