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 „jałowe równiny” w problemach optymalizacji.

Badania zostały opublikowane w Physical Review X.

Jałowe równiny – podstawowy problem rozwiązywalności

Sieci neuronowe konwolucyjne mogą być uruchamiane na komputerach kwantowych w celu lepszej analizy danych niż komputery klasyczne. Jednakże istniał podstawowy problem rozwiązywalności zwany „jałowymi równinami”, który stanowił wyzwanie dla badaczy, ograniczając zastosowanie sieci neuronowych dla dużych zbiorów danych.

Marco Cerezo jest współautorem artykułu badawczego zatytułowanego „Brak jałowych równin 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 kwantową sieć neuronową, może prowadzić do jałowej równiny – lub nie”, powiedział Cerezo. „Udowodniliśmy brak jałowych równin dla specjalnego rodzaju kwantowej sieci neuronowej. Nasza praca dostarcza gwarancji szkoleniowych dla tej architektury, co oznacza, że można ją szkolić w sposób ogólny”.

Kwantowe sieci neuronowe konwolucyjne obejmują szereg warstw konwolucyjnych, które są przeplatane warstwami pulowania, umożliwiając redukcję wymiaru danych przy zachowaniu ważnych cech zestawu danych.

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

Według Cerezo, badacze w dziedzinie kwantowego uczenia maszynowego tradycyjnie analizowali, w jaki sposób złagodzić skutki tego problemu, ale jeszcze nie opracowali teoretycznej podstawy dla uniknięcia całego problemu. To się zmienia z nowymi badaniami, ponieważ artykuł zespołu pokazuje, w jaki sposób niektóre kwantowe sieci neuronowe są odporne na jałowe równiny.

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

„Z tą gwarancją w ręku, badacze będą teraz mogli przeszukiwać dane komputerów kwantowych 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, z krajobrazem złożonym z wzgórz i dolin. Celem jest szkolenie parametrów modelu w celu znalezienia rozwiązania poprzez 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 wraz z rozmiarem cech. To wskazuje na obecność jałowej równiny, a kwantowa sieć neuronowa nie może być skalowana.

Aby rozwiązać ten problem, zespół opracował nowe graficzne podejście do analizy skalowania w kwantowej sieci neuronowej. Oczekuje się, że ta sieć neuronowa będzie miała 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 one rozwiązaniem 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 rozwinie się”.

Skalowalna kwantowa sieć neuronowa mogłaby umożliwić komputerowi kwantowemu przeszukiwanie ogromnego zestawu danych o różnych stanach danego materiału. Te stany mogłyby być następnie skorelowane z fazami, co pomogłoby zidentyfikować optymalny stan dla wysokotemperaturowego nadprzewodnictwa.