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 konvolusjonsneurale nettverk alltid kan trenes på kvantecomputere, som overvinner en trussel kjent som “barren plateaus” i optimeringsproblemer.

Forskningen ble publisert i Physical Review X.

Barren Plateaus – Fundamental Solvability Problem

Konvolusjonsneurale nettverk kan kjøres på kvantecomputere for å analysere data bedre enn klassiske computere. Imidlertid har det vært et fundamentalt løselighetsproblem kjent som “barren plateaus” som har utgjort en utfordring for forskerne ved å begrense anvendelsen av nettverkene for store datasamlinger.

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

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

Kvante-konvolusjonsneurale nettverk innebærer en rekke konvolusjonslag 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 materialeoppdagelse. For å oppnå fullt potensial for kvantecomputere i AI-anvendelser, må barren plateaus overvines.

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 er i ferd med å endre seg med den nye forskningen, da teamets rapport demonstrerer hvordan noen kvanteneurale nettverk er immune mot barren plateaus.

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

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

Vanishing Gradient

Hovedproblemet stammer fra en “forsvinnende gradient” i optimeringslandskapet, 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 i bunnen av den laveste dalen, er dette ikke mulig når landskapet er flatt.

Problemet blir enda vanskeligere når antallet dataegenskaper øker, og landskapet blir eksponentielt flatt med egenskapsstørrelsen. Dette indikerer tilstedeværelsen av en barren plateau, og det kvanteneurale nettverket kan ikke skaleres opp.

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

“Feltet kvantemaskinlæring er fortsatt 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. Liksom vil en rekke av oss anta at kvantedata vil bli svært tilgjengelig, og deretter vil kvantemaskinlæring ta av.”

Et skalerbart kvanteneuralt nettverk kunne muliggjøre at en kvantecomputer kan søke gjennom en stor datamengde om de forskjellige tilstandene til et gitt materiale. Disse tilstandene kunne deretter korreleres med faser, som ville hjelpe med å identifisere den optimale tilstanden for høye temperaturer overledning.