Νέα έρευνα επιτυγχάνει突破 στη量子 υπολογιστική

Νέα έρευνα από μια ομάδα στο Εργαστήριο Εθνικής Ασφάλειας του Λος Άλαμος έχει επιτύχει突破 στη量子 υπολογιστική. Ένας νέος θεώρημα αποδεικνύει ότι τα συνελικτικά νευρωνικά δίκτυα μπορούν πάντα να εκπαιδευτούν σε量子 υπολογιστές, το οποίο υπερβαίνει μια απειλή γνωστή ως “άγονες οροπέδια” σε προβλήματα βελτιστοποίησης.

Η έρευνα δημοσιεύθηκε στο Physical Review X.

Άγονες Οροπέδια – Θεμελιώδες Πρόβλημα Επίλυσης

Τα συνελικτικά νευρωνικά δίκτυα μπορούν να τρέχουν σε lượng子 υπολογιστές για να αναλύσουν δεδομένα καλύτερα από τους κλασικούς υπολογιστές. Ωστόσο, υπήρχε ένα θεμελιώδες πρόβλημα επίλυσης γνωστό ως “άγονες οροπέδια” που έθετε μια πρόκληση στους ερευνητές, περιορίζοντας την εφαρμογή των νευρωνικών δικτύων για μεγάλες συνόλους δεδομένων.

Ο Marco Cerezo είναι συν-συγγραφέας της ερευνητικής εργασίας με τίτλο “Απουσία Αγονών Οροπεδίων σε Quantity Convolutional Νευρωνικά Δίκτυα”. Ο Cerezo είναι φυσικός που ειδικεύεται στη lượng子 υπολογιστική, lượng子 μηχανική μάθηση και lượng子 πληροφορία στο εργαστήριο.

“Ο τρόπος με τον οποίο κατασκευάζεται ένα lượng子 νευρωνικό δίκτυο μπορεί να οδηγήσει σε ένα άγονο οροπέδιο — ή όχι”, είπε ο Cerezo. “Αποδείξαμε την απουσία αγονών οροπεδίων για ένα ειδικό είδος lượng子 νευρωνικού δικτύου. Η δουλειά μας παρέχει εγγυήσεις εκπαίδευσης για αυτή την αρχιτεκτονική, που σημαίνει ότι μπορεί κανείς να εκπαιδεύσει γενικά τους παραμέτρους του.”

Τα lượng子 συνελικτικά νευρωνικά δίκτυα περιλαμβάνουν μια σειρά συνελικτικών στρωμάτων που εναλλάσσονται με στρώματα συρρίκνωσης, 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 αναγνώριση εικόνων και ανακάλυψη υλικών. Για να επιτευχθεί το πλήρες δυναμικό των lượng子 υπολογιστών στις εφαρμογές του AI, τα άγονες οροπέδια πρέπει να υπερβαθούν.

Σύμφωνα με τον Cerezo, οι ερευνητές στη lượng子 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 τη νέα έρευνα, поскольку η εργασία της ομάδας αποδεικνύει πώς κάποια lượng子 νευρωνικά δίκτυα είναι ανοσία στα άγονες οροπέδια.

Ο Patrick Coles είναι φυσικός lượng子 στο Λος Άλαμος και συν-συγγραφέας της ερευνητικής εργασίας.

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

Εξαφανιζόμενη Κλίση

Το κύριο πρόβλημα προέρχεται από μια “εξαφανιζόμενη κλίση” στο τοπίο βελτιστοποίησης, με το τοπίο να αποτελείται από λόφους και κοιλάδες. Ο στόχος είναι να εκπαιδευτούν οι παράμετροι του μοντέλου για να ανακαλυφθεί 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 ενός αγνού οροπεδίου, και το lượng子 νευρωνικό δίκτυο δεν μπορεί να κλιμακωθεί.

Για να αντιμετωπιστούν αυτά, η ομάδα ανέπτυξε μια νέα γραφική προσέγγιση για την ανάλυση της κλιμάκωσης μέσα σε ένα lượng子 νευρωνικό δίκτυο. Αυτό το δίκτυο αναμένεται να έχει εφαρμογή στην ανάλυση δεδομένων από lượng子 симуляций.

“Το πεδίο της lượng子 μηχανικής μάθησης είναι ακόμη νέο”, είπε ο Coles. “Υπάρχει ένα διάσημο απόφθεγμα για τους laser, όταν ανακαλύφθηκαν για πρώτη φορά, που έλεγε ότι ήταν μια λύση αναζητώντας ένα πρόβλημα. Τώρα οι laser χρησιμοποιούνται παντού. Παρόμοια, πολλοί από εμάς υποψιάζονται ότι τα lượng子 δεδομένα θα γίνουν ευρέως διαθέσιμα, και τότε η lượng子 μηχανική μάθηση θα ξεκινήσει.”

Ένα κλιμακωτό lượng子 νευρωνικό δίκτυο θα μπορούσε να επιτρέψει σε einen lượng子 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 ταυτοποίηση της βέλτιστης κατάστασης για υψηλής θερμοκρασίας υπεραγωγιμότητα.