Ny forskning gjør gjennombrudd i kvantecomputing

Ny forskning ved et team ved Los Alamos National Laboratory har gjort et gjennombrudd i kvantecomputing. En ny teorem demonstrerer at konvolusjonelle neurale nettverk alltid kan trenes på kvantecomputere, som overvinner en trussel kjent som “barren plateaus” i optimaliseringsproblemer.

Forskningen ble publisert i Physical Review X.

Barren Plateaus – Grunnleggende løselighetproblem

Konvolusjonelle neurale nettverk kan kjøres på kvantecomputere for å analysere data bedre enn klassiske datamaskiner. Imidlertid har det vært et grunnleggende løselighetproblem kalt “barren plateaus” som har utgjort en utfordring for forskerne ved å begrense bruken av nettverkene for store datamengder.

Marco Cerezo er medforfatter av forskningsrapporten med tittelen “Absence of Barren Plateaus in Quantum Convolutional Neural Networks.” Cerezo er en fysiker som spesialiserer seg på kvantecomputing, kvantemaskinlæring og kvanteinformasjon på laboratoriet.

“Måten du konstruerer et kvanteneuralt nettverk kan føre til en øde slette — eller ikke,” sa Cerezo. “Vi beviste fraværet av øde sletter for en spesiell type kvanteneuralt nettverk. Vår arbeid gir treningsgarantier for denne arkitekturen, noe som betyr at man generisk kan trenere dens parametre.”

Kvante-konvolusjonelle neurale nettverk innebærer en rekke konvolusjonelle lag som er vekselvis med pooling-lag, som muliggjør reduksjon av datamengdens dimensjon mens viktige egenskaper ved datamengden beholdes.

Nettverkene kan brukes til en rekke anvendelser, som bildegenkjenning og materiaoppdagelse. For å nå fullt potensial for kvantecomputere i AI-anvendelser, må øde slettene overvinnes.

Ifølge Cerezo har forskere i kvantemaskinlæring tradisjonelt analysert hvordan man kan mildne effektene av dette problemet, men de har ennå ikke utviklet en teoretisk basis for å unngå hele problemet. Dette endrer seg nå med den nye forskningen, da teamets rapport demonstrerer hvordan noen kvanteneurale nettverk er immune mot øde sletter.

Patrick Coles er en kvantefysiker ved Los Alamos og medforfatter av forskningen.

“Med denne garantien i hånden, vil forskerne nå kunne gå gjennom kvantecomputordata om kvantesystemer og bruke denne informasjonen til å studere materialegenskaper eller oppdage nye materialer, blant annet,” sa Coles.

Forsvinnende gradient

Hovedproblemet stammer fra en “forsvinnende gradient” i optimaliseringslandskapet, med landskapet sammensatt av åser og daler. Målet er å trenere modellens parametre for å finne en løsning ved å utforske landskapets geografi, og mens løsningen vanligvis er på bunnen av den laveste dalen, er dette ikke mulig når landskapet er flatt.

Problemet blir enda vanskeligere når antallet datatregenser øker, og landskapet blir eksponentielt flatt med tregenssizoen. Dette indikerer tilstedeværelsen av en øde slette, og det kvanteneurale nettverket kan ikke skaleres opp.

For å løse dette, utviklet teamet en ny grafisk tilnærming for å analysere skaleringen innen et kvanteneuralt nettverk. Dette nettverket forventes å ha anvendelse i å analysere data fra kvantesimuleringer.

“Feltet kvantemaskinlæring er ennå ung,” sa Coles. “Det er et berømt sitat om lasere, da de først ble oppdaget, som sa at de var en løsning på jakt etter et problem. Nå brukes lasere overalt. På samme måte mistenker en rekke av oss at kvantedata vil bli svært tilgjengelig, og deretter vil kvantemaskinlæring ta av.”

Et skalerbart kvanteneuralt nettverk kunne muliggjøre at en kvantecomputer kan gå gjennom en enorm datamengde om de ulike tilstandene til en gitt materie. Disse tilstandene kunne deretter korreleres med faser, som ville hjelpe med å identifisere den optimale tilstanden for høye temperaturer-superledning.