Cercetări noi fac o descoperire în calculul cuantic

O nouă cercetare realizată de o echipă de la Los Alamos National Laboratory a făcut o descoperire în calculul cuantic. Un nou teoremă demonstrează că rețelele neuronale convoluționale pot fi întotdeauna antrenate pe calculatoare cuantice, ceea ce depășește o amenințare cunoscută sub numele de „platouri sterpe” în problemele de optimizare.

Cercetarea a fost publicată în Physical Review X.

Platouri sterpe – o problemă fundamentală de solvabilitate

Rețelele neuronale convoluționale pot fi rulate pe calculatoare cuantice pentru a analiza datele mai bine decât calculatoarele clasice. Cu toate acestea, a existat o problemă fundamentală de solvabilitate cunoscută sub numele de „platouri sterpe”, care a constituit o provocare pentru cercetători, limitând aplicarea rețelelor neuronale pentru seturi de date mari.

Marco Cerezo este coautor al cercetării intitulate „Lipsa platourilor sterpe în rețelele neuronale cuantice convoluționale”. Cerezo este un fizician care se specializează în calcul cuantic, învățare cuantică și informații cuantice la laborator.

„Modul în care construiți o rețea neuronală cuantică poate duce la o platou sterpe – sau nu”, a spus Cerezo. „Am demonstrat lipsa platourilor sterpe pentru un anumit tip de rețea neuronală cuantică. Lucrarea noastră oferă garanții de antrenabilitate pentru această arhitectură, ceea ce înseamnă că se poate antrena generic parametrii săi”.

Rețelele neuronale convoluționale cuantice implică o serie de straturi convoluționale care alternează cu straturi de pool, permițând reducerea dimensiunii datelor, în timp ce se păstrează caracteristicile importante ale unui set de date.

Rețelele neuronale pot fi utilizate pentru o gamă largă de aplicații, cum ar fi recunoașterea imaginilor și descoperirea de materiale. Pentru a se atinge potențialul complet al calculatoarelor cuantice în aplicațiile de inteligență artificială, platourile sterpe trebuie depășite.

Conform lui Cerezo, cercetătorii în învățarea cuantică au analizat tradițional modurile de a atenua efectele acestei probleme, dar încă nu au dezvoltat o bază teoretică pentru evitarea întregii probleme. Acest lucru se schimbă cu noua cercetare, deoarece lucrarea echipei demonstrează cum anumite rețele neuronale cuantice sunt imune la platourile sterpe.

Patrick Coles este un fizician cuantic la Los Alamos și coautor al cercetării.

„Cu această garanție în mână, cercetătorii vor putea acum să analizeze datele de la calculatoarele cuantice despre sisteme cuantice și să utilizeze aceste informații pentru studierea proprietăților materialelor sau descoperirea de materiale noi, printre alte aplicații”, a spus Coles.

Gradientul care dispare

Problema principală provine dintr-un „gradient care dispare” în peisajul de optimizare, cu peisajul format din dealuri și văi. Scopul este de a antrena parametrii modelului pentru a descoperi o soluție prin explorarea geografiei peisajului, iar în timp ce soluția este de obicei la baza văii celei mai joase, acest lucru nu este posibil atunci când peisajul este plat.

Problema devine și mai dificilă atunci când numărul de caracteristici ale datelor crește, iar peisajul devine exponențial plat cu dimensiunea caracteristicilor. Acest lucru indică prezența unei platouri sterpe, iar rețeaua neuronală cuantică nu poate fi escaladată.

Pentru a aborda această problemă, echipa a dezvoltat o abordare grafică nouă pentru analizarea scalabilității într-o rețea neuronală cuantică. Această rețea neuronală este așteptată să aibă aplicații în analiza datelor de la simulări cuantice.

„Domeniul învățării cuantice este încă tânăr”, a spus Coles. „Există o citat celebru despre lasere, când au fost descoperite pentru prima dată, care spunea că erau o soluție în căutarea unei probleme. Acum laserele sunt utilizate peste tot. La fel, unii dintre noi suspectează că datele cuantice vor deveni foarte disponibile, iar apoi învățarea cuantică va decola”.

O rețea neuronală cuantică escalabilă ar putea permite unui calculator cuantic să analizeze un set vast de date despre diferitele stări ale unei materiale date. Aceste stări ar putea fi apoi corelate cu fazele, ceea ce ar ajuta la identificarea stării optime pentru supraconductivitate la temperaturi ridicate.