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た。新しい定理は、畳み込みニューラルネットワークが量子コンピューターで常にトレーニングできることを示し、最適化問題における「不毛平原」と呼ばれる脅威を克服した。

この研究は、Physical Review Xに掲載された。

不毛平原 – 基本的な解決可能性問題

畳み込みニューラルネットワークは、クラシックコンピューターよりも優れたデータ分析を実現するために量子コンピューターで実行できる。しかし、研究者们は「不毛平原」と呼ばれる基本的な解決可能性問題に直面しており、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いた。

マルコ・セレゾは、この研究論文「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」の共同著者である。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、量子情報を専門とする物理学者である。

「量子ニューラルネットワークの構築方法は、不毛平原を引き起こすかどうかを決定する」とセレゾは述べた。「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する」。

量子畳み込みニューラルネットワークは、畳み込み層とプーリング層を交互に配置し、データの次元を削減しながら重要な特徴を保持することができる。

これらの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る。量子コンピューターのAIアプリケーションにおける全ポテンシャルの実現には、不毛平原を克服する必要がある。

セレゾによると、量子機械学習の研究者は従来、問題の影響を緩和する方法を分析してきたが、問題全体を回避するための理論的根拠を開発してこなかった。これは、新しい研究によって変化し、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る。

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、この研究の共同著者である。

「この保証を手に入れると、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」とコールズは述べた。

消えゆく勾配

主な問題は、最適化景観における「消えゆく勾配」から生じる。目標は、地形の地理を探索して解決策を見つけることであり、通常、解決策は最も低い谷の底にある。しかし、地形が平坦な場合、解決策を見つけることは不可能である。

問題は、データの特徴の数が増加するとさらに困難になり、特徴のサイズに応じて地形が指数関数的に平坦になる。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ができない。

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る。

「量子機械学習の分野はまだ若い」とコールズは述べた。「レーザーが初めて発見されたときの有名な言葉は、『問題を探すための解決策』だった。現在、レーザーはどこにでも使用されている。同様に、量子データが大量に利用できるようになると、量子機械学習が飛躍的に進展するだろう」。

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可能性がある。そうすると、状態を相と関連付けることができ、高温超伝導の最適な状態を特定するのに役立つ。