新しい研究が量子コンピューティングでブレークスルーを達成

ロスアラモス国立研究所のチームによる新しい研究が量子コンピューティングでブレークスルーを達成しました。新しい定理は、畳み込みニューラルネットワークが常に量子コンピューターでトレーニングできることを示しており、これは最適化問題における「不毛平原」と呼ばれる脅威を克服するものです。

この研究は、Physical Review Xに掲載されています。

不毛平原 – 基本的な解決可能な問題

畳み込みニューラルネットワークは、量子コンピューターでデータを分析するために使用でき、古典的なコンピューターよりも優れています。しかし、「不毛平原」と呼ばれる基本的な解決可能な問題が存在し、大規模なデータセットに対するニューラルネットワークの適用を制限してきました。

マルコ・セレゾは、研究論文「量子畳み込みニューラルネットワークにおける不毛平原の不存在」の共同著者です。セレゾは、研究所で量子コンピューティング、量子機械学習、量子情報の専門家です。

「量子ニューラルネットワークを構築する方法は、不毛平原をもたらすかもしれません — またはそうではありません」とセレゾは述べました。「私たちは、特定の種類の量子ニューラルネットワークにおける不毛平原の不存在を証明しました。私たちの研究は、このアーキテクチャに対するトレーニング保証を提供し、パラメータを汎用的にトレーニングできることを意味します」

量子畳み込みニューラルネットワークには、プーリング層と交互に配置された畳み込み層のシリーズが含まれ、データの次元を削減しながらデータセットの重要な特徴を保持することができます。

ニューラルネットワークは、画像認識や材料発見などの幅広いアプリケーションに使用できます。量子コンピューターの全ポテンシャルをAIアプリケーションで実現するには、不毛平原を克服する必要があります。

セレゾによると、量子機械学習の研究者は従来、問題の影響を軽減する方法を分析してきましたが、問題全体を回避するための理論的基礎を開発することはできませんでした。これは、新しい研究によって変わります。チームの論文は、一部の量子ニューラルネットワークが不毛平原に免疫があることを示しています。

パトリック・コールズはロスアラモスの量子物理学者であり、研究の共同著者です。

「この保証が手に入ったことで、研究者は量子コンピューターデータを分析し、量子システムの研究や新しい材料の発見などのアプリケーションに使用できるようになります」とコールズは述べました。

消えゆく勾配

主な問題は、最適化ランドスケープにおける「消えゆく勾配」に起因します。ランドスケープは丘と谷で構成されており、目標は、地理を探索してモデルパラメータをトレーニングし、最も低い谷の底にある解を見つけることです。しかし、ランドスケープが平坦な場合、これは不可能です。

問題は、データの特徴の数が増加すると、ランドスケープが特徴サイズに応じて指数関数的に平坦になるため、さらに困難になります。これは、不毛平原の存在を示し、量子ニューラルネットワークをスケールアップすることはできません。

これに対処するために、チームは量子ニューラルネットワーク内でのスケーリングを分析するための新しいグラフィカルアプローチを開発しました。このニューラルネットワークは、量子シミュレーションデータの分析に応用されることが期待されています。

「量子機械学習の分野はまだ若い」とコールズは述べました。「レーザーが初めて発見されたときの有名な言葉があります。レーザーは問題を解決するための解決策でした。今ではレーザーはどこでも使用されています。同様に、多くの人々は、量子データが大量に利用できるようになると、量子機械学習が大いに進展するのではないかと考えています」

スケーラブルな量子ニューラルネットワークは、量子コンピューターが特定の材料のさまざまな状態に関する大量のデータセットを分析できるようにすることができます。状態は相と関連付けられ、高温超伝導の最適な状態を特定するのに役立ちます。