Nova Pesquisa Faz Avanço em Computação Quântica

Nova pesquisa realizada por uma equipe no Laboratório Nacional de Los Alamos fez um avanço na computação quântica. Um novo teorema demonstra que redes neurais convolucionais podem sempre ser treinadas em computadores quânticos, o que supera uma ameaça conhecida como “planícies áridas” em problemas de otimização.

A pesquisa foi publicada em Physical Review X.

Planícies Áridas – Problema Fundamental de Solvabilidade

Redes neurais convolucionais podem ser executadas em computadores quânticos para analisar dados melhor do que computadores clássicos. No entanto, há um problema fundamental de solvabilidade chamado “planícies áridas” que tem desafiado os pesquisadores, limitando a aplicação das redes neurais para grandes conjuntos de dados.

Marco Cerezo é coautor do artigo de pesquisa intitulado “Ausência de Planícies Áridas em Redes Neurais Convolucionais Quânticas”. Cerezo é um físico que se especializa em computação quântica, aprendizado de máquina quântica e informação quântica no laboratório.

“A forma como você constrói uma rede neural quântica pode levar a uma planície árida — ou não”, disse Cerezo. “Nós provamos a ausência de planícies áridas para um tipo especial de rede neural quântica. Nosso trabalho fornece garantias de treinabilidade para essa arquitetura, o que significa que é possível treinar seus parâmetros de forma genérica.”

Redes neurais convolucionais quânticas envolvem uma série de camadas convolucionais intercaladas com camadas de pooling, permitindo a redução da dimensão dos dados enquanto mantém as características importantes de um conjunto de dados.

As redes neurais podem ser usadas para uma ampla gama de aplicações, como reconhecimento de imagens e descoberta de materiais. Para que o potencial completo dos computadores quânticos seja alcançado em aplicações de IA, as planícies áridas devem ser superadas.

De acordo com Cerezo, os pesquisadores em aprendizado de máquina quântica tradicionalmente analisaram como mitigar os efeitos desse problema, mas ainda não desenvolveram uma base teórica para evitar o problema por completo. Isso está mudando com a nova pesquisa, pois o artigo da equipe demonstra como algumas redes neurais quânticas são imunes a planícies áridas.

Patrick Coles é um físico quântico em Los Alamos e coautor da pesquisa.

“Com essa garantia em mãos, os pesquisadores agora poderão analisar dados de computadores quânticos sobre sistemas quânticos e usar essa informação para estudar propriedades de materiais ou descobrir novos materiais, entre outras aplicações”, disse Coles.

Gradiente Desaparecendo

O principal problema decorre de um “gradiente desaparecendo” no cenário de otimização, com o cenário composto por colinas e vales. O objetivo é treinar os parâmetros do modelo para descobrir uma solução explorando a geografia do cenário, e embora a solução geralmente esteja no fundo do vale mais baixo, isso não é possível quando o cenário é plano.

O problema se torna ainda mais difícil quando o número de recursos de dados aumenta, e o cenário se torna exponencialmente plano com o tamanho do recurso. Isso indica a presença de uma planície árida, e a rede neural quântica não pode ser escalada.

Para resolver isso, a equipe desenvolveu uma nova abordagem gráfica para analisar a escalabilidade dentro de uma rede neural quântica. Essa rede neural é esperada para ter aplicação na análise de dados de simulações quânticas.

“O campo do aprendizado de máquina quântica ainda é jovem”, disse Coles. “Há uma famosa citação sobre lasers, quando foram descobertos, que disse que eram uma solução em busca de um problema. Agora, lasers são usados em todos os lugares. Da mesma forma, muitos de nós suspeitamos que os dados quânticos se tornarão altamente disponíveis, e então o aprendizado de máquina quântica decolará.”

Uma rede neural quântica escalável poderia permitir que um computador quântico analisasse um vasto conjunto de dados sobre os vários estados de um material dado. Esses estados poderiam então ser correlacionados com fases, o que ajudaria a identificar o estado ótimo para supercondutividade de alta temperatura.