Νέα έρευνα επιτυγχάνει突破 στην κβαντική υπολογιστική

Νέα έρευνα από μια ομάδα στο Εργαστήριο Εθνικής Έρευνας του Λος Άλμος έχει επιτύχει突破 στην κβαντική υπολογιστική. Ένας καινούριος θεώρημα αποδεικνύει ότι τα συνελικτικά νευρωνικά δίκτυα μπορούν πάντα να εκπαιδευτούν σε κβαντικούς υπολογιστές, οι οποίοι υπερβαίνουν μια απειλή γνωστή ως “άγονες πεδιάδες” σε προβλήματα βελτιστοποίησης.

Η έρευνα δημοσιεύθηκε στο Physical Review X.

Άγονες πεδιάδες – Βασικό πρόβλημα επιλύσιμότητας

Τα συνελικτικά νευρωνικά δίκτυα μπορούν να εκτελεστούν σε κβαντικούς υπολογιστές για να αναλύσουν δεδομένα καλύτερα από τους κλασικούς υπολογιστές. Ωστόσο, υπήρχε ένα βασικό πρόβλημα επιλύσιμότητας που ονομάζεται “άγονες πεδιάδες” που έχει θέσει μια πρόκληση στους ερευνητές, περιορίζοντας την εφαρμογή των νευρωνικών δικτύων για μεγάλες συνόλους δεδομένων.

Ο Marco Cerezo είναι συν-συγγραφέας της έρευνας με τίτλο “Απουσία άγονων πεδιάδων σε κβαντικά συνελικτικά νευρωνικά δίκτυα”. Ο Cerezo είναι φυσικός που ειδικεύεται στην κβαντική υπολογιστική, την κβαντική μηχανική μάθηση και την κβαντική πληροφορία στο εργαστήριο.

“Ο τρόπος με τον οποίο κατασκευάζεται ένα κβαντικό νευρωνικό δίκτυο μπορεί να οδηγήσει σε μια άγονη πεδιάδα — ή όχι”, είπε ο Cerezo. “Αποδείξαμε την απουσία άγονων πεδιάδων για ένα ειδικό είδος κβαντικού νευρωνικού δικτύου. Η εργασία μας παρέχει εγγυήσεις εκπαιδευσιμότητας για αυτή την αρχιτεκτονική, που σημαίνει ότι μπορεί κανείς να εκπαιδεύσει γενικά τους παραμέτρους του.”

Τα κβαντικά συνελικτικά νευρωνικά δίκτυα περιλαμβάνουν μια σειρά από συνελικτικές στρώσεις που εναλλάσσονται με στρώσεις δειγματοληψίας, επιτρέποντας τη μείωση της διάστασης των δεδομένων ενώ διατηρούνται σημαντικά χαρακτηριστικά ενός συνόλου δεδομένων.

Τα νευρωνικά δίκτυα μπορούν να χρησιμοποιηθούν για eine ευρεία γκάμα εφαρμογών, όπως η αναγνώριση εικόνων και η ανακάλυψη υλικών. Για να επιτευχθεί το πλήρες δυναμικό των κβαντικών υπολογιστών στις εφαρμογές του AI, πρέπει να υπερβαστούν οι άγονες πεδιάδες.

Σύμφωνα με τον Cerezo, οι ερευνητές στην κβαντική μηχανική μάθηση έχουν παραδοσιακά αναλύσει τον τρόπο μείωσης των επιπτώσεων αυτού του προβλήματος, αλλά δεν έχουν ακόμη αναπτύξει μια θεωρητική βάση για την αποφυγή του ολόκληρου προβλήματος. Αυτό αλλάζει με την νέα έρευνα, καθώς το έγγραφο της ομάδας αποδεικνύει πώς κάποια κβαντικά νευρωνικά δίκτυα είναι ανοσία στα άγονα πεδιάδες.

Ο Patrick Coles είναι κβαντικός φυσικός στο Λος Άλμος και συν-συγγραφέας της έρευνας.

“Με αυτή την εγγύηση στο χέρι, οι ερευνητές θα μπορέσουν τώρα να διερευνήσουν δεδομένα από κβαντικούς υπολογιστές σχετικά με κβαντικά συστήματα και να χρησιμοποιήσουν αυτές τις πληροφορίες για τη μελέτη των ιδιοτήτων των υλικών ή την ανακάλυψη νέων υλικών, μεταξύ άλλων εφαρμογών”, είπε ο Coles.

Εξαφανιζόμενη κλίση

Το κύριο πρόβλημα προέρχεται από μια “εξαφανιζόμενη κλίση” στο τοπίο της βελτιστοποίησης, με το τοπίο να αποτελείται από λόφους και κοιλάδες. Ο στόχος είναι να εκπαιδεύσει τους παραμέτρους του μοντέλου για να ανακαλύψει μια λύση εξερευνώντας τη γεωγραφία του τοπίου, και ενώ η λύση συνήθως βρίσκεται στο κάτω μέρος της χαμηλότερης κοιλάδας, αυτό δεν είναι δυνατό όταν το τοπίο είναι επίπεδο.

Το πρόβλημα γίνεται ακόμη πιο δύσκολο όταν αυξάνεται ο αριθμός των χαρακτηριστικών των δεδομένων, και το τοπίο γίνεται εκθετικά επίπεδο με το μέγεθος των χαρακτηριστικών. Αυτό υποδηλώνει την παρουσία μιας άγονης πεδιάδας, και το κβαντικό νευρωνικό δίκτυο δεν μπορεί να κλιμακωθεί.

Για να αντιμετωπίσουν αυτό, η ομάδα ανέπτυξε μια καινούρια γραφική προσέγγιση για την ανάλυση της κλιμάκωσης μέσα σε ένα κβαντικό νευρωνικό δίκτυο. Αυτό το νευρωνικό δίκτυο αναμένεται να έχει εφαρμογή στην ανάλυση δεδομένων από κβαντικές προσομοιώσεις.

“Το πεδίο της κβαντικής μηχανικής μάθησης είναι ακόμη νέο”, είπε ο Coles. “Υπάρχει một διάσημη φράση για τις lasers, όταν ανακαλύφθηκαν για πρώτη φορά, που έλεγε ότι ήταν μια λύση αναζητώντας ένα πρόβλημα. Τώρα οι lasers χρησιμοποιούνται παντού. Παρόμοια, ένας αριθμός από εμάς υποψιάζεται ότι τα κβαντικά δεδομένα θα γίνουν highly διαθέσιμα, και τότε η κβαντική μηχανική μάθηση θα ξεκινήσει.”

Ένα κλιμακωτό κβαντικό νευρωνικό δίκτυο θα μπορούσε να επιτρέψει σε einen κβαντικό υπολογιστή να διερευνήσει ένα τεράστιο σύνολο δεδομένων σχετικά με τις διάφορες καταστάσεις ενός δεδομένου υλικού. Αυτές οι καταστάσεις θα μπορούσαν τότε να συσχετιστούν με φάσεις, οι οποίες θα βοηθούσαν στην αναγνώριση της βέλτιστης κατάστασης για υψηλής θερμοκρασίας υπεραγωγιμότητα.