Nyt forskning gør gennembrud i kvante-computering

Nyt forskning udført af et hold på Los Alamos National Laboratory har gjort et gennembrud i kvante-computering. En ny sætning demonstrerer, at convolutionelle neurale netværk kan trænes på kvante-computere, hvilket overvinder en trussel kendt som “øde plateauer” i optimeringsproblemer.

Forskningen er offentliggjort i Physical Review X.

Øde Plateauer – Grundlæggende Løselighedsproblem

Convolutionelle neurale netværk kan køres på kvante-computere for at analysere data bedre end klassiske computere. Dog har der været et grundlæggende løselighedsproblem kendt som “øde plateauer”, som har udgjort en udfordring for forskerne ved at begrænse anvendelsen af neurale netværk for store datasæt.

Marco Cerezo er medforfatter til forskningsartiklen med titlen “Fravær af øde plateauer i kvante-convolutionelle neurale netværk”. Cerezo er en fysiker, der specialiserer sig i kvante-computering, kvante-maskinlæring og kvante-information på laboratoriet.

“Måden, hvorpå du konstruerer et kvanteneuralt netværk, kan føre til et øde plateau – eller ikke”, sagde Cerezo. “Vi har bevist fraværet af øde plateauer 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 involverer en række convolutionelle lag, der er vekselvis med pooling-lag, hvilket muliggør reduktion af datadimensonen, mens vigtige funktioner i datasættet bevares.

De neurale netværk kan anvendes i en bred vifte af anvendelser, såsom billedgenkendelse og materialeopdagelse. For at den fulde potentiale for kvante-computere kan opnås i AI-anvendelser, må øde plateauer overvindes.

Ifølge Cerezo har forskere i kvante-maskinlæring 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 artikel demonstrerer, hvordan nogle kvanteneurale netværk er immune over for øde plateauer.

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

“Med denne garanti i hånden, vil forskere nu være i stand til at gennemgå kvante-computerdata om kvantesystemer og bruge denne information til at studere materialeegenskaber eller opdage nye materialer, blandt andet anvendelser”, sagde Coles.

Forsvindende Gradient

Det største problem stammer fra en “forsvindende gradient” i optimeringslandskabet, hvor landskabet består af bakker og dale. Målet er at træne modellens parametre for at opdage en løsning ved at udforske landskabets geografi, og mens 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 et øde plateau, og det kvanteneurale netværk kan ikke skaleres op.

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

“Området for kvante-maskinlæring 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. Lignende er det med, at en række af os formoder, at kvantedata vil blive højtilgængelige, og derefter vil kvante-maskinlæring tage af”.

Et skalerbart kvanteneuralt netværk kunne muliggøre, at en kvante-computer kan gennemgå 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.