Nieuw onderzoek maakt doorbraak in quantum computing

Nieuw onderzoek door een team bij het Los Alamos National Laboratory heeft een doorbraak gemaakt in quantum computing. Een nieuw theorem toont aan dat convolutional neural networks altijd getraind kunnen worden op quantum computers, waarmee een bedreiging genaamd “barren plateaus” in optimalisatieproblemen overwonnen wordt.

Het onderzoek werd gepubliceerd in Physical Review X.

Barren Plateaus – Fundamenteel oplosbaarheidsprobleem

Convolutional neural networks kunnen op quantum computers worden uitgevoerd om data beter te analyseren dan klassieke computers. Echter, er is een fundamenteel oplosbaarheidsprobleem genaamd “barren plateaus” dat een uitdaging vormt voor onderzoekers door de toepassing van de neurale netwerken voor grote datasets te beperken.

Marco Cerezo is co-auteur van het onderzoeksartikel getiteld “Afwezigheid van barren plateaus in quantum convolutional neural networks”. Cerezo is een natuurkundige die zich specialiseert in quantum computing, quantum machine learning en quantum informatie bij het lab.

“De manier waarop je een quantum neurale netwerk construeert, kan leiden tot een barren plateau – of niet”, zei Cerezo. “We hebben het ontbreken van barren plateaus bewezen voor een speciaal type quantum neurale netwerk. Ons werk biedt trainingsgaranties voor deze architectuur, wat betekent dat je de parameters generiek kunt trainen.”

Quantum convolutional neural networks bestaan uit een reeks convolutional lagen die worden afgewisseld met pooling lagen, waardoor de dimensie van de data kan worden verlaagd terwijl belangrijke kenmerken van een dataset behouden blijven.

De neurale netwerken kunnen worden gebruikt voor een breed scala aan toepassingen, zoals beeldherkenning en materiaalontdekking. Om het volledige potentieel van quantum computers te bereiken in AI-toepassingen, moeten de barren plateaus overwonnen worden.

Volgens Cerezo hebben onderzoekers in quantum machine learning traditioneel geanalyseerd hoe ze de effecten van dit probleem kunnen mitigeren, maar ze hebben nog geen theoretische basis ontwikkeld voor het vermijden van het hele probleem. Dit verandert met het nieuwe onderzoek, aangezien het artikel van het team aantoont hoe sommige quantum neurale netwerken immuun zijn voor barren plateaus.

Patrick Coles is een quantum natuurkundige bij Los Alamos en co-auteur van het onderzoek.

“Met deze garantie in handen, zullen onderzoekers nu in staat zijn om door quantum-computerdata over quantum systemen te zeven en deze informatie te gebruiken voor het bestuderen van materiaaleigenschappen of het ontdekken van nieuwe materialen, onder andere toepassingen”, zei Coles.

Verdwijnende gradiënt

Het grote probleem komt voort uit een “verdwijnende gradiënt” in het optimalisatielandschap, met een landschap dat bestaat uit heuvels en valleien. Het doel is om de parameters van het model te trainen om een oplossing te vinden door het landschap te verkennen, en terwijl de oplossing meestal aan de bodem van het laagste dal ligt, is dit niet mogelijk wanneer het landschap vlak is.

Het probleem wordt nog moeilijker wanneer het aantal datapunten toeneemt en het landschap exponentieel vlak wordt met de grootte van de datapunten. Dit duidt op de aanwezigheid van een barren plateau, en het quantum neurale netwerk kan niet worden geschaald.

Om dit aan te pakken, ontwikkelde het team een novelle grafische aanpak voor het analyseren van de schaalbaarheid binnen een quantum neurale netwerk. Dit neurale netwerk wordt verwacht toepassingen te hebben in het analyseren van data uit quantum simulaties.

“Het veld van quantum machine learning is nog jong”, zei Coles. “Er is een beroemde quote over lasers, toen ze voor het eerst werden ontdekt, die zei dat ze een oplossing waren op zoek naar een probleem. Nu worden lasers overal gebruikt. Op een soortgelijke manier vermoeden een aantal van ons dat quantum data zeer beschikbaar zal worden, en dan zal quantum machine learning van de grond komen.”

Een schaalbaar quantum neurale netwerk kan een quantum computer in staat stellen om door een enorme dataset over de verschillende staten van een bepaald materiaal te zeven. Deze staten kunnen dan worden gecorreleerd met fasen, wat zou helpen bij het identificeren van de optimale staat voor hoogtemperatuur supergeleiding.