Penelitian Baru Membuat Terobosan dalam Komputasi Kuantum

Penelitian baru oleh tim di Los Alamos National Laboratory telah membuat terobosan dalam komputasi kuantum. Teorema novel menunjukkan bahwa jaringan saraf konvolusional dapat selalu dilatih pada komputer kuantum, yang mengatasi ancaman yang dikenal sebagai “dataran tandus” dalam masalah optimisasi.

Penelitian ini diterbitkan di Physical Review X.

Dataran Tandus – Masalah Solvabilitas Fundamental

Jaringan saraf konvolusional dapat dijalankan pada komputer kuantum untuk menganalisis data lebih baik daripada komputer klasik. Namun, ada masalah solvabilitas fundamental yang dikenal sebagai “dataran tandus” yang telah membatasi aplikasi jaringan saraf untuk set data besar.

Marco Cerezo adalah co-penulis makalah penelitian berjudul “Ketiadaan Dataran Tandus dalam Jaringan Saraf Kuantum Konvolusional.” Cerezo adalah seorang fisikawan yang mengkhususkan diri dalam komputasi kuantum, pembelajaran mesin kuantum, dan informasi kuantum di laboratorium.

“Cara Anda membangun jaringan saraf kuantum dapat menyebabkan dataran tandus – atau tidak,” kata Cerezo. “Kami membuktikan ketiadaan dataran tandus untuk jenis jaringan saraf kuantum khusus. Pekerjaan kami menyediakan jaminan pelatihan untuk arsitektur ini, yang berarti bahwa satu dapat secara generik melatih parameternya.”

Jaringan saraf kuantum konvolusional melibatkan serangkaian lapisan konvolusional yang diselingi dengan lapisan pooling, memungkinkan pengurangan dimensi data sambil menjaga fitur penting dari set data.

Jaringan saraf dapat digunakan untuk berbagai aplikasi, seperti pengenalan gambar dan penemuan bahan. Untuk mencapai potensi penuh komputer kuantum dalam aplikasi AI, dataran tandus harus diatasi.

Menurut Cerezo, peneliti dalam pembelajaran mesin kuantum secara tradisional telah menganalisis bagaimana untuk mengurangi efek masalah ini, tetapi mereka belum mengembangkan landasan teori untuk menghindari masalah secara keseluruhan. Ini berubah dengan penelitian baru, karena makalah tim menunjukkan bahwa beberapa jaringan saraf kuantum kebal terhadap dataran tandus.

Patrick Coles adalah seorang fisikawan kuantum di Los Alamos dan co-penulis penelitian.

“Dengan jaminan ini, peneliti sekarang dapat menyaring data komputer kuantum tentang sistem kuantum dan menggunakan informasi tersebut untuk mempelajari sifat bahan atau menemukan bahan baru, di antara aplikasi lain,” kata Coles.

Gradien Menghilang

Masalah utama berasal dari “gradien menghilang” dalam lanskap optimisasi, dengan lanskap yang terdiri dari bukit dan lembah. Tujuan adalah untuk melatih parameter model untuk menemukan solusi dengan menjelajahi geografi lanskap, dan sementara solusi biasanya berada di dasar lembah terendah, ini tidak mungkin ketika lanskap datar.

Masalah ini menjadi lebih sulit ketika jumlah fitur data meningkat, dan lanskap menjadi datar secara eksponensial dengan ukuran fitur. Ini menunjukkan kehadiran dataran tandus, dan jaringan saraf kuantum tidak dapat diskalakan.

Untuk mengatasi ini, tim mengembangkan pendekatan grafis baru untuk menganalisis penskalaan dalam jaringan saraf kuantum. Jaringan saraf ini diharapkan memiliki aplikasi dalam menganalisis data dari simulasi kuantum.

“Bidang pembelajaran mesin kuantum masih muda,” kata Coles. “Ada kutipan terkenal tentang laser, ketika mereka pertama kali ditemukan, yang mengatakan bahwa mereka adalah solusi yang mencari masalah. Sekarang laser digunakan di mana-mana. Serupa, sejumlah dari kita curiga bahwa data kuantum akan menjadi sangat tersedia, dan kemudian pembelajaran mesin kuantum akan take off.”

Jaringan saraf kuantum yang dapat diskalakan dapat memungkinkan komputer kuantum untuk menyaring set data besar tentang berbagai keadaan suatu bahan. Keadaan tersebut kemudian dapat dikorelasikan dengan fase, yang akan membantu mengidentifikasi keadaan optimal untuk superkonduktor suhu tinggi.