Neue Forschung erzielt Durchbruch bei der Quantencomputer-Entwicklung

Eine neue Forschung von einem Team am Los Alamos National Laboratory hat einen Durchbruch bei der Quantencomputer-Entwicklung erzielt. Ein neues Theorem zeigt, dass konvolutionale neuronale Netze immer auf Quantencomputern trainiert werden können, was ein Problem namens “barren plateaus” in Optimierungsproblemen überwindet.

Die Forschung wurde in Physical Review X veröffentlicht.

Barren Plateaus – Grundlegendes Lösbarkeitsproblem

Konvolutionale neuronale Netze können auf Quantencomputern ausgeführt werden, um Daten besser als klassische Computer zu analysieren. Es gab jedoch ein grundlegendes Lösbarkeitsproblem namens “barren plateaus”, das eine Herausforderung für Forscher darstellt, indem es die Anwendung der neuronalen Netze für große Datensätze einschränkt.

Marco Cerezo ist Co-Autor der Forschungsarbeit mit dem Titel “Abwesenheit von barren plateaus in Quanten-Konvolutions-Neuronalen Netzen”. Cerezo ist ein Physiker, der sich auf Quantencomputing, Quanten-Maschinenlernen und Quanteninformation am Labor spezialisiert hat.

“Die Art und Weise, wie man ein quantenmechanisches Neuronales Netzwerk konstruiert, kann zu einem barren plateau führen – oder nicht”, sagte Cerezo. “Wir haben den Nachweis der Abwesenheit von barren plateaus für eine spezielle Art von quantenmechanischem Neuronalem Netzwerk erbracht. Unsere Arbeit bietet Trainingsgarantien für diese Architektur, was bedeutet, dass man generisch die Parameter trainieren kann.”

Quanten-Konvolutions-Neuronale Netze bestehen aus einer Reihe von Konvolutions-Schichten, die mit Pooling-Schichten verflochten sind, was die Reduzierung der Dimension des Datensatzes ermöglicht, während wichtige Merkmale des Datensatzes beibehalten werden.

Die neuronalen Netze können für eine Vielzahl von Anwendungen eingesetzt werden, wie z.B. Bilderkennung und Materialentdeckung. Um das volle Potenzial von Quantencomputern in AI-Anwendungen zu erreichen, müssen die barren plateaus überwunden werden.

Laut Cerezo haben Forscher im Bereich des Quanten-Maschinenlernens traditionell analysiert, wie man die Auswirkungen dieses Problems mildern kann, aber sie haben noch keine theoretische Grundlage für die Vermeidung des gesamten Problems entwickelt. Dies ändert sich mit der neuen Forschung, da die Arbeit des Teams zeigt, wie einige quantenmechanische neuronale Netze immun gegen barren plateaus sind.

Patrick Coles ist ein Quanten-Physiker am Los Alamos und Co-Autor der Forschung.

“Mit dieser Garantie in der Hand werden Forscher nun in der Lage sein, durch Quantencomputer-Daten über Quantensysteme zu suchen und diese Informationen für die Untersuchung von Material-Eigenschaften oder die Entdeckung neuer Materialien zu verwenden, unter anderem”, sagte Coles.

Verschwindender Gradient

Das Hauptproblem resultiert aus einem “verschwindenden Gradienten” im Optimierungs-Landschaft, wobei die Landschaft aus Hügeln und Tälern besteht. Das Ziel ist es, die Parameter des Modells so zu trainieren, dass eine Lösung durch die Erforschung der Landschafts-Geographie gefunden wird, und während die Lösung normalerweise am Boden des tiefsten Tales liegt, ist dies nicht möglich, wenn die Landschaft flach ist.

Das Problem wird noch schwieriger, wenn die Anzahl der Datenmerkmale zunimmt und die Landschaft exponentiell flach mit der Merkmalsgröße wird. Dies zeigt die Anwesenheit eines barren plateaus an, und das quantenmechanische Neuronale Netz kann nicht skaliert werden.

Um dies zu lösen, entwickelte das Team einen neuen grafischen Ansatz für die Analyse der Skalierung innerhalb eines quantenmechanischen neuronalen Netzwerks. Dieses Netzwerk soll Anwendungen in der Analyse von Daten aus Quantensimulationen haben.

“Das Feld des Quanten-Maschinenlernens ist noch jung”, sagte Coles. “Es gibt ein berühmtes Zitat über Laser, als sie zum ersten Mal entdeckt wurden, das sagte, sie seien eine Lösung auf der Suche nach einem Problem. Jetzt werden Laser überall eingesetzt. Ähnlich vermuten einige von uns, dass Quantendaten bald sehr verfügbar sein werden, und dann wird das Quanten-Maschinenlernen durchstarten.”

Ein skalierbares quantenmechanisches Neuronales Netz könnte es ermöglichen, dass ein Quantencomputer durch einen riesigen Datensatz über die verschiedenen Zustände eines bestimmten Materials sucht. Diese Zustände könnten dann mit Phasen korreliert werden, was helfen würde, den optimalen Zustand für Hochtemperatur-Supraleitung zu identifizieren.