Uusi tutkimus tekee läpimurron kvanttilaskennassa

Los Alamosin kansallisen laboratorion tutkijaryhmän uusi tutkimus on tehnyt läpimurron kvanttilaskennassa. Uusi teoreema osoittaa, että konvoluutioneuraaliverkot voidaan aina kouluttaa kvanttitietokoneilla, mikä voittaa tunnetun uhkan nimeltä “hedelmättömät ylätasot” optimointiongelmissa.

Tutkimus on julkaistu Physical Review X:ssä.

Hedelmättömät ylätasot – perusselvittävissä oleva ongelma

Konvoluutioneuraaliverkkoja voidaan ajaa kvanttitietokoneilla analysoimaan dataa paremmin kuin klassisilla tietokoneilla. Kuitenkin on ollut perusselvittävissä oleva ongelma nimeltä “hedelmättömät ylätasot”, joka on asettanut haasteen tutkijoille rajoittamalla neuroverkkojen soveltamista suurten datasarjojen käsittelyyn.

Marco Cerezo on yksi tutkimusartikkelin kirjoittajista, jonka otsikko on “Hedelmättömien ylätasojen puute kvanttikonvoluutioneuraaliverkoissa”. Cerezo on fyysikko, joka on erikoistunut kvanttilaskentaan, kvanttimachineen oppimiseen ja kvanttitietoon laboratoriossa.

“Tapa, jolla konstruoidaan kvanttineuraaliverkko, voi johtaa hedelmättömään ylätasoon — tai ei”, sanoi Cerezo. “Osoitimme hedelmättömien ylätasojen puutteen tietynlaiselle kvanttineuraaliverkolle. Tutkimuksemme tarjoaa koulutusvarmistukset tämän arkkitehtuurin osalta, mikä tarkoittaa, että sen parametrejä voidaan yleisesti kouluttaa.”

Kvanttikonvoluutioneuraaliverkot sisältävät sarjan konvoluutiokerroksia, jotka on vuoroteltu pooling-kerroksien kanssa, mikä mahdollistaa datan ulottuvuuden vähentämisen säilyttäen samalla datan tärkeät ominaisuudet.

Neuraaliverkkoja voidaan käyttää laajasti sovelluksiin, kuten kuvantunnistukseen ja materiaalien löytämiseen. Jotta kvanttietokoneiden täydellinen potentiaali voidaan saavuttaa tekoälysovelluksissa, hedelmättömät ylätasot on voitettava.

Cerezon mukaan kvanttimachineen oppimisen tutkijat ovat perinteisesti analysoineet, miten voitaisiin lieventää tämän ongelman vaikutuksia, mutta he eivät ole kehittäneet teoreettista perustaa koko ongelman välttämiseksi. Tämä on muuttumassa uuden tutkimuksen myötä, sillä tutkijaryhmän artikkeli osoittaa, miten jotkut kvanttineuraaliverkot ovat immuuneja hedelmättömille ylätasoille.

Patrick Coles on kvanttifyysikko Los Alamosissa ja yksi tutkimuksen kirjoittajista.

“Tämän varmistuksen ansiosta tutkijat voivat nyt käydä läpi kvanttietokoneiden dataa kvanttijärjestelmistä ja käyttää tietoa materiaalien ominaisuuksien tutkimiseen tai uusien materiaalien löytämiseen, muun muassa”, sanoi Coles.

Häviävä gradiendi

Pääongelma johtuu “häviävästä gradiendista” optimointimaisemassa, joka koostuu mäistä ja laaksoista. Tavoitteena on kouluttaa mallin parametrejä löytääkseen ratkaisun maiseman maantieteen tutkimisen kautta, ja vaikka ratkaisu on yleensä alimmassa laaksossa, tämä ei ole mahdollista, kun maisema on tasainen.

Ongelma vaikeutuu, kun datan ominaisuuksien määrä kasvaa, ja maisema tulee eksponentiaalisesti tasaiseksi ominaisuuksien koossa. Tämä osoittaa hedelmättömän ylätason läsnäolon, eikä kvanttineuraaliverkkoa voida skaalata.

Tätä varten tutkijaryhmä kehitti uuden graafisen lähestymistavan kvanttineuraaliverkon skaalautumisen analysoimiseksi. Tämä neuroverkko on tarkoitus soveltaa datan analysointiin kvanttisimulaatioista.

“Kvanttimachineen oppimisen ala on vielä nuori”, sanoi Coles. “On kuuluisa sitaatti lasersien keksimisestä, jossa sanottiin, että ne olivat ratkaisu ongelmaa varten. Nyt laserit ovat käytössä kaikkialla. Samoin monet meistä epäilevät, että kvanttidata tulee olemaan laajasti saatavilla, ja sitten kvanttimachineen oppiminen lähtee liikkeelle.”

Skaalautuva kvanttineuraaliverkko voisi mahdollistaa kvanttietokoneen käynnistämisen laajan datasarjan läpi tietyn materiaalin eri tiloista. Nämä tilat voitaisiin sitten korreloida faasejen kanssa, mikä auttaisi tunnistamaan optimaalisen tilan korkean lämpötilan suprajohtavuudelle.