Uusi tutkimus tekee läpimurron kvanttilaskennassa

Los Alamosin kansallisen laboratorion tutkimusryhmän uusi tutkimus on tehnyt läpimurron kvanttilaskennassa. Uusi teoreema osoittaa, että konvoluutio-neuroverkkomallit voidaan aina kouluttaa kvanttitietokoneilla, mikä voittaa “hedelmättömät tasangot” -uhan optimointiongelmissa.

Tutkimus on julkaistu Physical Review X -julkaisussa.

Hedelmättömät tasangot – perusselvittävän ongelman

Konvoluutio-neuroverkkomallit voidaan suorittaa kvanttitietokoneilla analysoimaan dataa paremmin kuin klassiset tietokoneet. Kuitenkin on ollut perusselvittävän ongelma, jota kutsutaan “hedelmättömiksi tasangoiksi”, joka on asettanut haasteen tutkijoille rajoittamalla neuroverkkomallien soveltamista suurten datamäärien käsittelyyn.

Marco Cerezo on yksi tutkimusartikkelin kirjoittajista, jonka otsikko on “Hedelmättömien tasankojen puute kvantti-konvoluutio-neuroverkoissa”. Cerezo on fyysikko, joka on erikoistunut kvanttilaskentaan, kvantti-koneoppimiseen ja kvantti-informaatioon laboratoriossa.

“Tapa, jolla rakennat kvantti-neuroverkon, voi johtaa hedelmättömään tasankoon – tai ei”, sanoi Cerezo. “Olemme todistaneet hedelmättömien tasankojen puutteen erityiselle kvantti-neuroverkolle. Työmme tarjoaa koulutustakuun tämän arkkitehtuurin osalta, mikä tarkoittaa, että voimme yleisesti kouluttaa sen parametreja.”

Kvantti-konvoluutio-neuroverkot koostuvat useista konvoluutio-kerroksista, jotka on vuoroteltu pooling-kerrosten kanssa, mikä mahdollistaa datan ulottuvuuden vähentämisen säilyttäen tärkeät datan ominaisuudet.

Neuroverkkoja voidaan käyttää laajasti sovelluksissa, kuten kuvantunnistuksessa ja materiaalien löytämisessä. Jotta kvanttitietokoneiden täydellinen potentiaali voidaan saavuttaa tekoälysovelluksissa, hedelmättömät tasangot on voitettava.

Cerezon mukaan kvantti-koneoppimisen tutkijat ovat perinteisesti analysoineet, miten voittaa tämän ongelman vaikutukset, mutta he eivät ole kehittäneet teoreettista perustaa koko ongelman välttämiseksi. Tämä on muuttumassa uuden tutkimuksen myötä, koska tutkimusryhmän artikkeli osoittaa, miten jotkut kvantti-neuroverkot ovat immuuneja hedelmättömille tasangoille.

Patrick Coles on kvanttifyysikko Los Alamosissa ja yksi tutkimusartikkelin kirjoittajista.

“Tällä takuulla kädessä tutkijat voivat nyt siistiä läpi kvanttitietokoneiden dataa kvanttijärjestelmistä ja käyttää tietoa materiaalien ominaisuuksien tutkimiseen tai uusien materiaalien löytämiseen, muun muassa”, sanoi Coles.

Häviävä gradientti

Pääongelma johtuu “häviävästä gradientista” optimointimaisemassa, joka koostuu mäistä ja laaksoista. Tavoitteena on kouluttaa mallin parametreja löytämään ratkaisu tutkimalla maiseman maantiedettä, ja vaikka ratkaisu on yleensä alimmassa laaksossa, tämä ei ole mahdollista, kun maisema on tasainen.

Ongelma muodostuu vielä vaikeammaksi, kun datan piirteiden määrä kasvaa, ja maisema tulee eksponentiaalisesti tasaiseksi piirteiden määrän kasvaessa. Tämä osoittaa hedelmättömän tasangon läsnäolon, eikä kvantti-neuroverkkoa voida skaalata.

Tätä varten tutkimusryhmä kehitti uuden graafisen lähestymistavan kvantti-neuroverkon skaalautumisen analysointiin. Tämä neuroverkko on tarkoitus soveltaa kvanttisimulaatioiden datan analysointiin.

“Kvantti-koneoppimisen ala on vielä nuori”, sanoi Coles. “On kuuluisa lainaus lasereista, kun ne keksittiin ensimmäisen kerran, jossa sanottiin, että ne olivat ratkaisu, jota ei ollut vielä löydetty. Nyt lasereita käytetään joka paikassa. Samoin useat meistä epäilevät, että kvanttidata tulee olemaan laajasti saatavilla, ja sitten kvantti-koneoppiminen lähtee lentoon.”

Skaalautuva kvantti-neuroverkko voisi mahdollistaa kvanttitietokoneen siivittämisen laajasta datamäärästä, joka liittyy materiaalin eri tiloihin. Nämä tilat voivat sitten korreloida faasejen kanssa, mikä auttaa tunnistamaan optimaalisen tilan korkean lämpötilan suprajohtavuudelle.