Новое исследование делает прорыв в квантовых вычислениях

Новое исследование группы Лос-Аламосской национальной лаборатории совершило прорыв в области квантовых вычислений. Новая теорема показывает, что сверточные нейронные сети всегда можно обучить на квантовых компьютерах, что позволяет преодолеть угрозу, известную как «бесплодные плато» в задачах оптимизации.

Исследование было опубликовано в Физический обзор X.

Бесплодные плато - фундаментальная проблема разрешимости

Сверточные нейронные сети можно запускать на квантовых компьютерах, чтобы анализировать данные лучше, чем на классических компьютерах. Однако существует фундаментальная проблема разрешимости, называемая «бесплодными плато», которая ставит перед исследователями проблему, ограничивая применение нейронных сетей для больших наборов данных.

Марко Сересо — соавтор исследовательской работы под названием «Отсутствие бесплодных плато в квантовых сверточных нейронных сетях». Сересо — физик, специализирующийся на квантовых вычислениях, квантовом машинном обучении и квантовой информации в лаборатории.

«То, как вы строите квантовую нейронную сеть, может привести к бесплодному плато — или нет», — сказал Сересо. «Мы доказали отсутствие бесплодных плато для особого типа квантовой нейронной сети. Наша работа обеспечивает гарантии обучаемости для этой архитектуры, а это означает, что ее параметры можно обучать в общем».

Квантовые сверточные нейронные сети включают в себя серию сверточных слоев, которые чередуются со слоями объединения, что позволяет уменьшить размерность данных при сохранении важных характеристик набора данных.

Нейронные сети можно использовать для широкого спектра приложений, таких как распознавание изображений и обнаружение материалов. Чтобы полностью реализовать потенциал квантовых компьютеров в приложениях ИИ, необходимо преодолеть бесплодные плато.

По словам Сересо, исследователи в области квантового машинного обучения традиционно анализировали, как смягчить последствия этой проблемы, но им еще предстоит разработать теоретическую основу для того, чтобы избежать всей проблемы. Это меняется с новым исследованием, поскольку статья команды демонстрирует, как некоторые квантовые нейронные сети невосприимчивы к бесплодным плато.

Патрик Коулз — квантовый физик из Лос-Аламоса и соавтор исследования.

«С этой гарантией исследователи теперь смогут просеивать данные квантовых компьютеров о квантовых системах и использовать эту информацию для изучения свойств материалов или открытия новых материалов, среди других приложений», — сказал Коулз.

Исчезающий градиент

Основная проблема связана с «исчезающим градиентом» в ландшафте оптимизации, когда ландшафт состоит из холмов и долин. Цель состоит в том, чтобы обучить параметры модели для поиска решения путем изучения географии ландшафта, и, хотя решение обычно находится на дне самой низкой долины, это невозможно, когда ландшафт плоский.

Проблема становится еще более сложной, когда количество объектов данных увеличивается, и ландшафт становится экспоненциально плоским с размером объекта. Это указывает на наличие бесплодного плато, и масштабирование квантовой нейронной сети невозможно.

Чтобы решить эту проблему, команда разработала новый графический подход для анализа масштабирования в квантовой нейронной сети. Ожидается, что эта нейронная сеть найдет применение при анализе данных квантового моделирования.

«Область квантового машинного обучения еще молода, — сказал Коулз. «Есть известная цитата о лазерах, когда они были впервые обнаружены, в которой говорилось, что они были решением в поисках проблемы. Сейчас лазеры используются повсеместно. Точно так же многие из нас подозревают, что квантовые данные станут высокодоступными, и тогда квантовое машинное обучение наберет обороты».

Масштабируемая квантовая нейронная сеть может позволить квантовому компьютеру просеивать обширный набор данных о различных состояниях данного материала. Затем эти состояния можно было бы сопоставить с фазами, что помогло бы определить оптимальное состояние для высокотемпературной сверхпроводимости.