Nowe badania dokonują przełomu w komputerach kwantowych

Nowe badania zespołu w Los Alamos National Laboratory przyniosły przełom w komputerach kwantowych. Nowy twierdzenie dowodzi, że sieci neuronowe konwolucyjne można zawsze szkolić na komputerach kwantowych, co pokonuje zagrożenie znane jako “pustynne płaskowyże” w problemach optymalizacji.

Badania zostały opublikowane w Physical Review X.

Pustynne płaskowyże – podstawowy problem rozwiązywalności

Sieci neuronowe konwolucyjne mogą być uruchamiane na komputerach kwantowych w celu lepszej analizy danych niż komputery klasyczne. Jednakże, istnieje podstawowy problem rozwiązywalności zwany “pustynnymi płaskowyżami”, który stanowi wyzwanie dla badaczy, ograniczając zastosowanie sieci neuronowych dla dużych zbiorów danych.

Marco Cerezo jest współautorem artykułu badawczego zatytułowanego “Brak pustynnych płaskowyży w kwantowych sieciach neuronowych konwolucyjnych”. Cerezo jest fizykiem specjalizującym się w komputerach kwantowych, kwantowym uczeniu maszynowym i kwantowej informacji w laboratorium.

“Sposób, w jaki konstruujesz sieć neuronową kwantową, może prowadzić do pustynnego płaskowyżu – lub nie”, powiedział Cerezo. “Udowodniliśmy brak pustynnych płaskowyży dla specjalnego typu sieci neuronowej kwantowej. Nasza praca zapewnia gwarancje szkolenia dla tej architektury, co oznacza, że można ją szkolić w sposób ogólny”.

Kwantowe sieci neuronowe konwolucyjne składają się z serii warstw konwolucyjnych, które są przeplatane warstwami pulowania, co umożliwia redukcję wymiaru danych przy zachowaniu ważnych cech zbioru danych.

Sieci neuronowe mogą być wykorzystywane do szerokiego zakresu aplikacji, takich jak rozpoznawanie obrazów i odkrywanie materiałów. Aby w pełni wykorzystać możliwości komputerów kwantowych w aplikacjach sztucznej inteligencji, należy pokonać pustynne płaskowyże.

Według Cerezo, badacze w dziedzinie kwantowego uczenia maszynowego tradycyjnie analizowali, jak złagodzić skutki tego problemu, ale jeszcze nie opracowali teoretycznej podstawy dla uniknięcia całego problemu. To się zmienia z nowymi badaniami, ponieważ praca zespołu dowodzi, że niektóre sieci neuronowe kwantowe są odporne na pustynne płaskowyże.

Patrick Coles jest fizykiem kwantowym w Los Alamos i współautorem badań.

“Z tą gwarancją, badacze będą teraz mogli przeszukiwać dane komputerowe kwantowe o układach kwantowych i wykorzystywać te informacje do badania właściwości materiałów lub odkrywania nowych materiałów, wśród innych aplikacji”, powiedział Coles.

Znikający gradient

Główny problem wynika z “znikającego gradientu” w krajobrazie optymalizacji, złożonego z wzgórz i dolin. Celem jest szkolenie parametrów modelu w celu znalezienia rozwiązania przez eksplorację geografii krajobrazu, a podczas gdy rozwiązanie zwykle znajduje się u podnóża najniższej doliny, nie jest to możliwe, gdy krajobraz jest płaski.

Problem staje się jeszcze trudniejszy, gdy liczba cech danych wzrasta, a krajobraz staje się wykładniczo płaski z rozmiarem cech. To wskazuje na obecność pustynnego płaskowyżu, a sieć neuronowa kwantowa nie może być skalowana.

Aby rozwiązać ten problem, zespół opracował nowe graficzne podejście do analizy skalowania w sieci neuronowej kwantowej. Sieć ta ma zastosowanie w analizie danych z symulacji kwantowych.

“Dziedzina kwantowego uczenia maszynowego jest jeszcze młoda”, powiedział Coles. “Istnieje słynna cytata o laserach, kiedy zostały one po raz pierwszy odkryte, która mówiła, że są to rozwiązania w poszukiwaniu problemu. Teraz lasery są używane wszędzie. Podobnie, wiele z nas podejrzewa, że dane kwantowe staną się bardzo dostępne, a następnie kwantowe uczenie maszynowe się rozwinie”.

Skalowalna sieć neuronowa kwantowa mogłaby umożliwić komputerowi kwantowemu przeszukiwanie ogromnego zbioru danych o różnych stanach danego materiału. Stany te mogłyby być następnie skorelowane z fazami, co pomogłoby zidentyfikować optymalny stan dla wysokotemperaturowych nadprzewodników.