מחקר חדש מביא פריצת דרך בחישוב קוונטי

מחקר חדש שנערך על ידי צוות במעבדה הלאומית לוס אלמוס הביא לפריצת דרך בחישוב קוונטי. משפט חדש מוכיח כי רשתות עצביות מרוכזות יכולות תמיד להתאמן על מחשבים קוונטיים, מה שמתגבר על איום הידוע בשם “רמות מדבריות” בבעיות אופטימיזציה.

המחקר פורסם בPhysical Review X.

רמות מדבריות – בעיה יסודית של פתירה

רשתות עצביות מרוכזות יכולות לרוץ על מחשבים קוונטיים כדי לנתח נתונים טוב יותר ממחשבים קלאסיים. עם זאת, הייתה בעיה יסודית של פתירה הידועה בשם “רמות מדבריות” שהציבה אתגר לחוקרים על ידי הגבלת היישום של רשתות העצבים לקבוצות נתונים גדולות.

מרקו סרזו הוא שותף למאמר המחקר בשם “היעדר רמות מדבריות ברשתות עצביות קוונטיות מרוכזות.” סרזו הוא פיזיקאי המתמחה בחישוב קוונטי, למידת מכונה קוונטית ומידע קוונטי במעבדה.

“הדרך שבה אתה בונה רשת עצבית קוונטית יכולה להוביל לרמה מדברית – או לא,” אמר סרזו. “הוכחנו את היעדר רמות מדבריות עבור סוג מיוחד של רשת עצבית קוונטית. עבודתנו מספקת הבטחות לאימון עבור ארכיטקטורה זו, מה שאומר שניתן לאמן את פרמטריה באופן גנרי.”

רשתות עצביות קוונטיות מרוכזות כוללות סדרה של שכבות מרוכזות המשולבות עם שכבות איגוד, מה שמאפשר הקטנת ממד הנתונים בעוד ששומרים על תכונות חשובות של קבוצת נתונים.

רשתות העצבים יכולות לשמש למגוון רחב של יישומים, כגון זיהוי תמונות וגילוי חומרים. על מנת שהפוטנציאל המלא של מחשבים קוונטיים יושג ביישומי AI, יש להתגבר על רמות המדבר.

על פי סרזו, חוקרים בלמידת מכונה קוונטית ניתחו בדרך כלל כיצד למתן את השפעות הבעיה הזו, אך הם עדיין לא פיתחו בסיס תאורטי להימנעות מהבעיה כולה. זה משתנה עם המחקר החדש, כיוון שמאמר הצוות מדגים כיצד חלק מרשתות העצביות הקוונטיות חסינות לרמות מדבריות.

פטריק קולס הוא פיזיקאי קוונטי בלוס אלמוס ושותף למחקר.

“עם הבטחה זו ביד, חוקרים יוכלו עתה לסנן דרך נתוני מחשב קוונטי על מערכות קוונטיות ולהשתמש במידע זה ללימוד תכונות חומרים או גילוי חומרים חדשים, בין היתר,” אמר קולס.

שיפוע נעלם

הבעיה העיקרית נובעת מ”שיפוע נעלם” בנוף האופטימיזציה, עם נוף המורכב מגבעות ועמקים. המטרה היא לאמן את פרמטרים המודל לגלות פתרון על ידי חקירת גאוגרפיה של הנוף, ובעוד שהפתרון בדרך כלל נמצא בתחתית העמק הנמוך ביותר, זה לא אפשרי כאשר הנוף שטוח.

הבעיה הופכת לקשה יותר כאשר מספר התכונות של הנתונים גדל, והנוף הופך לשטוח באופן מעריכי עם גודל התכונה. זה מצביע על נוכחות של רמה מדברית, ורשת העצבים הקוונטית לא יכולה להתקנה.

כדי לטפל בזה, הצוות פיתח גישה גרפית חדשה לניתוח הקנה בתוך רשת עצבית קוונטית. רשת עצבית זו צפויה להיות בעלת יישום בניתוח נתונים מסימולציות קוונטיות.

“תחום למידת המכונה הקוונטית עדיין צעיר,” אמר קולס. “יש ציטוט מפורסם על לייזרים, כאשר הם התגלו לראשונה, שאמר שהם פתרון בחיפוש אחר בעיה. עכשיו לייזרים משמשים בכל מקום. באופן דומה, מספר מאיתנו חושבים שנתונים קוונטיים יהיו זמינים בכמות גדולה, ואז למידת מכונה קוונטית תיקח תאוצה.”

רשת עצבית קוונטית מתקנת יכולה לאפשר למחשב קוונטי לסנן דרך קבוצת נתונים עצומה על מצבים שונים של חומר נתון. מצבים אלו יכולים להיות משויכים לשלבים, מה שיעזור לזהות את המצב האופטימלי לעל-מוליכות בטמפרטורה גבוהה.