Neue Forschung erzielt Durchbruch bei Quantencomputing

Eine neue Forschung von einem Team am Los Alamos National Laboratory hat einen Durchbruch bei Quantencomputing erzielt. Ein neues Theorem zeigt, dass convolutional neuronale Netze immer auf Quantencomputern trainiert werden können, was eine Bedrohung namens “unfruchtbare Plateaus” in Optimierungsproblemen überwindet.

Die Forschung wurde in Physical Review X veröffentlicht.

Unfruchtbare Plateaus – Grundlegendes Lösbarkeitsproblem

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

Marco Cerezo ist Co-Autor der Forschungsarbeit mit dem Titel “Fehlen von unfruchtbaren Plateaus in Quanten-Convolutional-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 unfruchtbaren Plateau führen – oder nicht”, sagte Cerezo. “Wir haben das Fehlen von unfruchtbaren Plateaus für eine spezielle Art von quantenmechanischem neuronalem Netzwerk bewiesen. Unsere Arbeit bietet Trainingsgarantien für diese Architektur, was bedeutet, dass man generisch die Parameter trainieren kann.”

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

Die neuronalen Netze können für eine Vielzahl von Anwendungen verwendet werden, wie z.B. Bilderkennung und Materialentdeckung. Um das volle Potenzial von Quantencomputern in KI-Anwendungen zu erreichen, müssen die unfruchtbaren 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 Quanten-Neuronale-Netze immun gegen unfruchtbare Plateaus sind.

Patrick Coles ist ein Quantenphysiker 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 Materialien oder die Entdeckung neuer Materialien zu verwenden”, sagte Coles.

Verschwindender Gradient

Das Hauptproblem resultiert aus einem “verschwindenden Gradienten” in der Optimierungslandschaft, die aus Hügeln und Tälern besteht. Das Ziel ist es, die Parameter des Modells so zu trainieren, dass eine Lösung gefunden wird, indem die Geographie der Landschaft erkundet wird, und obwohl 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 wird, wenn die Merkmalsgröße zunimmt. Dies zeigt die Anwesenheit eines unfruchtbaren Plateaus, und das Quanten-Neuronale-Netz kann nicht skaliert werden.

Um dies zu lösen, entwickelte das Team einen neuen grafischen Ansatz für die Analyse der Skalierung innerhalb eines Quanten-Neuronalen-Netzes. Dieses neuronale Netz soll Anwendungen bei 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 verwendet. Ähnlich verhält es sich mit Quantendaten, die bald weit verbreitet sein werden, und dann wird das Quanten-Maschinenlernen durchstarten.”

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