Nuova ricerca fa un passo avanti nel calcolo quantistico

Una nuova ricerca condotta da un team presso il Los Alamos National Laboratory ha fatto un passo avanti nel calcolo quantistico. Un nuovo teorema dimostra che le reti neurali convoluzionali possono essere sempre addestrate su computer quantistici, superando una minaccia nota come “pianure sterili” nei problemi di ottimizzazione.

La ricerca è stata pubblicata su Physical Review X.

Pianure sterili – Problema fondamentale di risolvibilità

Le reti neurali convoluzionali possono essere eseguite su computer quantistici per analizzare i dati meglio dei computer classici. Tuttavia, c’è stato un problema fondamentale di risolvibilità chiamato “pianure sterili” che ha posto una sfida ai ricercatori limitando l’applicazione delle reti neurali per grandi set di dati.

Marco Cerezo è coautore della ricerca intitolata “Assenza di pianure sterili nelle reti neurali convoluzionali quantistiche”. Cerezo è un fisico che si occupa di calcolo quantistico, apprendimento quantistico e informazione quantistica presso il laboratorio.

“Il modo in cui si costruisce una rete neurale quantistica può portare a una pianura sterile – o no”, ha detto Cerezo. “Abbiamo dimostrato l’assenza di pianure sterili per un tipo speciale di rete neurale quantistica. Il nostro lavoro fornisce garanzie di addestrabilità per questa architettura, il che significa che è possibile addestrare genericamente i suoi parametri”.

Le reti neurali convoluzionali quantistiche coinvolgono una serie di strati convoluzionali che sono interpolati con strati di pooling, consentendo la riduzione della dimensione dei dati mantenendo le caratteristiche importanti di un set di dati.

Le reti neurali possono essere utilizzate per una vasta gamma di applicazioni, come il riconoscimento di immagini e la scoperta di materiali. Per raggiungere il pieno potenziale dei computer quantistici nelle applicazioni di intelligenza artificiale, le pianure sterili devono essere superate.

Secondo Cerezo, i ricercatori nel campo dell’apprendimento quantistico hanno tradizionalmente analizzato come mitigare gli effetti di questo problema, ma non hanno ancora sviluppato una base teorica per evitare completamente il problema. Ciò sta cambiando con la nuova ricerca, poiché la carta del team dimostra come alcune reti neurali quantistiche siano immuni alle pianure sterili.

Patrick Coles è un fisico quantistico presso Los Alamos e coautore della ricerca.

“Con questa garanzia in mano, i ricercatori saranno ora in grado di analizzare i dati dei computer quantistici sui sistemi quantistici e utilizzare quelle informazioni per studiare le proprietà dei materiali o scoprire nuovi materiali, tra le altre applicazioni”, ha detto Coles.

Gradiente che scompare

Il principale problema deriva da un “gradiente che scompare” nel paesaggio di ottimizzazione, con il paesaggio composto da colline e valli. L’obiettivo è addestrare i parametri del modello per scoprire una soluzione esplorando la geografia del paesaggio, e mentre la soluzione è solitamente alla base della valle più bassa, ciò non è possibile quando il paesaggio è piatto.

Il problema diventa ancora più difficile quando il numero di caratteristiche dei dati aumenta e il paesaggio diventa esponenzialmente piatto con la dimensione delle caratteristiche. Ciò indica la presenza di una pianura sterile e la rete neurale quantistica non può essere scalata.

Per affrontare ciò, il team ha sviluppato un approccio grafico innovativo per analizzare la scalabilità all’interno di una rete neurale quantistica. Questa rete neurale è prevista avere un’applicazione nell’analisi dei dati delle simulazioni quantistiche.

“Il campo dell’apprendimento quantistico è ancora giovane”, ha detto Coles. “C’è una famosa citazione sui laser, quando sono stati scoperti per la prima volta, che diceva che erano una soluzione in cerca di un problema. Ora i laser sono utilizzati ovunque. Allo stesso modo, molti di noi sospettano che i dati quantistici diventeranno ampiamente disponibili e poi l’apprendimento quantistico decollerà”.

Una rete neurale quantistica scalabile potrebbe consentire a un computer quantistico di analizzare un vasto set di dati sulle varie condizioni di un materiale dato. Queste condizioni potrebbero quindi essere correlate con le fasi, il che aiuterebbe a identificare lo stato ottimale per la superconduttività ad alta temperatura.