Nueva investigación logra un avance en computación cuántica

Una nueva investigación realizada por un equipo en el Laboratorio Nacional de Los Álamos ha logrado un avance en la computación cuántica. Un nuevo teorema demuestra que las redes neuronales convolucionales pueden ser entrenadas siempre en computadoras cuánticas, lo que supera una amenaza conocida como “mesetas baldías” en problemas de optimización.

La investigación se publicó en Physical Review X.

Mesetas Baldías – Problema Fundamental de Solvibilidad

Las redes neuronales convolucionales pueden ejecutarse en computadoras cuánticas para analizar datos mejor que las computadoras clásicas. Sin embargo, ha habido un problema fundamental de solvibilidad llamado “mesetas baldías” que ha supuesto un desafío para los investigadores al limitar la aplicación de las redes neuronales para grandes conjuntos de datos.

Marco Cerezo es coautor del artículo de investigación titulado “Ausencia de mesetas baldías en redes neuronales convolucionales cuánticas”. Cerezo es un físico que se especializa en computación cuántica, aprendizaje automático cuántico y información cuántica en el laboratorio.

“La forma en que se construye una red neuronal cuántica puede llevar a una meseta baldía — o no”, dijo Cerezo. “Hemos demostrado la ausencia de mesetas baldías para un tipo especial de red neuronal cuántica. Nuestro trabajo proporciona garantías de entrenabilidad para esta arquitectura, lo que significa que se puede entrenar genéricamente sus parámetros”.

Las redes neuronales convolucionales cuánticas implican una serie de capas convolucionales que se intercalan con capas de agrupación, lo que permite reducir la dimensión de los datos mientras se mantienen las características importantes de un conjunto de datos.

Las redes neuronales pueden utilizarse para una amplia gama de aplicaciones, como el reconocimiento de imágenes y el descubrimiento de materiales. Para que se logre el potencial completo de las computadoras cuánticas en aplicaciones de inteligencia artificial, es necesario superar las mesetas baldías.

Según Cerezo, los investigadores en aprendizaje automático cuántico han analizado tradicionalmente cómo mitigar los efectos de este problema, pero aún no han desarrollado una base teórica para evitar completamente el problema. Esto está cambiando con la nueva investigación, ya que el artículo del equipo demuestra cómo algunas redes neuronales cuánticas son inmunes a las mesetas baldías.

Patrick Coles es un físico cuántico en Los Álamos y coautor de la investigación.

“Con esta garantía en mano, los investigadores podrán ahora buscar en los datos de la computadora cuántica sobre sistemas cuánticos y utilizar esa información para estudiar propiedades de materiales o descubrir nuevos materiales, entre otras aplicaciones”, dijo Coles.

Gradiente que Desaparece

El principal problema se debe a un “gradiente que desaparece” en el paisaje de optimización, con el paisaje compuesto por colinas y valles. El objetivo es entrenar los parámetros del modelo para descubrir una solución explorando la geografía del paisaje, y aunque la solución suele estar en el fondo del valle más bajo, esto no es posible cuando el paisaje es plano.

El problema se vuelve aún más difícil cuando aumenta el número de características de los datos, y el paisaje se vuelve exponencialmente plano con el tamaño de las características. Esto indica la presencia de una meseta baldía, y la red neuronal cuántica no se puede escalar.

Para abordar esto, el equipo desarrolló un enfoque gráfico novedoso para analizar la escalabilidad dentro de una red neuronal cuántica. Se espera que esta red neuronal tenga aplicación en el análisis de datos de simulaciones cuánticas.

“El campo del aprendizaje automático cuántico es aún joven”, dijo Coles. “Hay una cita famosa sobre los láseres, cuando se descubrieron por primera vez, que decía que eran una solución en busca de un problema. Ahora los láseres se utilizan en todas partes. De manera similar, muchos de nosotros sospechamos que los datos cuánticos se volverán muy disponibles, y entonces el aprendizaje automático cuántico despegará”.

Una red neuronal cuántica escalable podría permitir que una computadora cuántica busque en un vasto conjunto de datos sobre los diversos estados de un material determinado. Esos estados podrían correlacionarse entonces con fases, lo que ayudaría a identificar el estado óptimo para la superconductividad a alta temperatura.