Nuova ricerca fa un passo avanti nel calcolo quantistico

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

La ricerca è stata pubblicata in Physical Review X.

Altopiani 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 “altopiani 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 altopiani sterili nelle reti neurali convoluzionali quantistiche”. Cerezo è un fisico che si occupa di calcolo quantistico, apprendimento automatico quantistico e informazione quantistica al laboratorio.

“Il modo in cui si costruisce una rete neurale quantistica può portare a un altopiano sterile — o no”, ha detto Cerezo. “Abbiamo dimostrato l’assenza di altopiani sterili per un tipo speciale di rete neurale quantistica. Il nostro lavoro fornisce garanzie di formazione per questa architettura, il che significa che si può genericamente formare 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 delle immagini e la scoperta di materiali. Per raggiungere il pieno potenziale dei computer quantistici nelle applicazioni di intelligenza artificiale, gli altopiani sterili devono essere superati.

Secondo Cerezo, i ricercatori nell’apprendimento automatico 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 agli altopiani sterili.

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

“Con questa garanzia in mano, i ricercatori saranno ora in grado di setacciare i dati del computer quantistico 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 problema principale deriva da un “gradiente che scompare” nel paesaggio di ottimizzazione, con il paesaggio composto da colline e valli. L’obiettivo è quello di formare 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 un altopiano sterile e la rete neurale quantistica non può essere scalata.

Per affrontare ciò, il team ha sviluppato un nuovo approccio grafico 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 automatico 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, un certo numero di noi sospetta che i dati quantistici diventeranno ampiamente disponibili e poi l’apprendimento automatico quantistico decollerà”.

Una rete neurale quantistica scalabile potrebbe consentire a un computer quantistico di setacciare un vasto set di dati sui vari stati di un materiale dato. Quegli stati potrebbero poi essere correlati con le fasi, il che aiuterebbe a identificare lo stato ottimale per la superconduttività ad alta temperatura.