Nyt forskning gør gennembrud i kvantecomputering

Nyt forskning udført af et hold på Los Alamos National Laboratory har gjort et gennembrud i kvantecomputering. En ny teorem demonstrerer, at convolutionelle neurale netværk altid kan trænes på kvantecomputere, hvilket overvinder en trussel kendt som “barren plateaus” i optimeringsproblemer.

Forskningen er offentliggjort i Physical Review X.

Barren Plateaus – Fundamental Solvability Problem

Convolutionelle neurale netværk kan køres på kvantecomputere for at analysere data bedre end klassiske computere. Dog har der været et fundamentalt solvbarhedsproblem kendt som “barren plateaus”, som har udgjort en udfordring for forskerne ved at begrænse anvendelsen af neurale netværk for store datasæt.

Marco Cerezo er medforfatter til forskningspapiret med titlen “Absence of Barren Plateaus in Quantum Convolutional Neural Networks”. Cerezo er en fysiker, der specialiserer sig i kvantecomputering, kvantemaskinel læring og kvanteinformation på laboratoriet.

“Den måde, du konstruerer et kvanteneuralt netværk, kan føre til en barren plateau – eller ikke,” sagde Cerezo. “Vi har bevist fraværet af barren plateaus for en særlig type kvanteneuralt netværk. Vores arbejde giver træningsgarantier for denne arkitektur, hvilket betyder, at man generisk kan træne dets parametre.”

Kvante-convolutionelle neurale netværk indebærer en række convolutionelle lag, der er vekslende med pooling-lag, hvilket muliggør reduktion af datamængden samtidig med, at vigtige funktioner i et datasæt bevares.

De neurale netværk kan anvendes i en bred vifte af anvendelser, såsom billedgenkendelse og materialeopdagelse. For at det fulde potentiale for kvantecomputere kan opnås i AI-anvendelser, må barren plateaus overvindes.

Ifølge Cerezo har forskere i kvantemaskinel læring traditionelt analyseret, hvordan man kan mildne virkningerne af dette problem, men de har endnu ikke udviklet en teoretisk basis for at undgå problemet helt. Dette ændrer sig med den nye forskning, da holdets papir demonstrerer, hvordan nogle kvanteneurale netværk er immune over for barren plateaus.

Patrick Coles er en kvantefysiker på Los Alamos og medforfatter til forskningen.

“Med denne garanti i hånden vil forskerne nu være i stand til at gennemse kvantecomputerdata om kvantesystemer og bruge denne information til at studere materialeegenskaber eller opdage nye materialer, blandt andet anvendelser,” sagde Coles.

Vanishing Gradient

Det største problem stammer fra en “forsvindende gradient” i optimeringslandskabet, som består af bakker og dale. Målet er at træne modellens parametre for at opdage en løsning ved at udforske landskabets geografi, og selvom løsningen normalt er i bunden af den laveste dal, er dette ikke muligt, når landskabet er fladt.

Problemet bliver endnu mere vanskeligt, når antallet af datafunktioner øges, og landskabet bliver eksponentielt fladt med funktionstørrelsen. Dette indikerer tilstedeværelsen af en barren plateau, og det kvanteneurale netværk kan ikke skaleres op.

For at løse dette har holdet udviklet en ny grafisk tilgang til at analysere skalerbarheden i et kvanteneuralt netværk. Dette neurale netværk forventes at have anvendelse i at analysere data fra kvantesimulationer.

“Området for kvantemaskinel læring er stadig ung,” sagde Coles. “Der er et berømt citat om lasere, da de først blev opdaget, som sagde, at de var en løsning i søgen efter et problem. Nu bruges lasere overalt. Ligeledes formoder en række af os, at kvantedata vil blive meget tilgængelige, og derefter vil kvantemaskinel læring tage af.”

Et skalerbart kvanteneuralt netværk kunne muliggøre, at en kvantecomputer kan gennemse et stort datasæt om de forskellige tilstande af et givent materiale. Disse tilstande kunne derefter korreleres med faser, hvilket ville hjælpe med at identificere den optimale tilstand for højtemperatur-superledning.