Новые исследования делают прорыв в квантовых вычислениях

Новые исследования команды в Лос-Аламосской национальной лаборатории привели к прорыву в квантовых вычислениях. Новый теорем демонстрирует, что свёрточные нейронные сети всегда можно обучать на квантовых компьютерах, что преодолевает угрозу, известную как “бесплодные плато” в задачах оптимизации.

Исследования были опубликованы в Physical Review X.

Бесплодные плато – фундаментальная проблема разрешимости

Свёрточные нейронные сети можно запускать на квантовых компьютерах для анализа данных лучше, чем классические компьютеры. Однако существует фундаментальная проблема разрешимости, называемая “бесплодными плато”, которая представляет собой вызов для исследователей, ограничивая применение нейронных сетей для больших наборов данных.

Марко Серезо является соавтором исследовательской работы под названием “Отсутствие бесплодных плато в квантовых свёрточных нейронных сетях”. Серезо – физик, специализирующийся на квантовых вычислениях, квантовом машинном обучении и квантовой информации в лаборатории.

“Способ, которым вы строите квантовую нейронную сеть, может привести к бесплодному плато – или нет”, – сказал Серезо. “Мы доказали отсутствие бесплодных плато для специального типа квантовой нейронной сети. Наша работа обеспечивает гарантии обучаемости для этой архитектуры, что означает, что можно обобщенно обучать ее параметры”.

Квантовые свёрточные нейронные сети включают серию свёрточных слоев, чередующихся с пулинговыми слоями, что позволяет уменьшить размерность данных, сохраняя при этом важные особенности набора данных.

Нейронные сети можно использовать для широкого спектра приложений, таких как распознавание изображений и открытие материалов. Чтобы достичь полного потенциала квантовых компьютеров в приложениях ИИ, необходимо преодолеть бесплодные плато.

По словам Серезо, исследователи в области квантового машинного обучения традиционно анализировали, как смягчить последствия этой проблемы, но они еще не разработали теоретическую основу для полного избежания проблемы. Это меняется с новыми исследованиями, поскольку работа команды демонстрирует, как некоторые квантовые нейронные сети не подвержены бесплодным плато.

Патрик Коулс – квантовый физик в Лос-Аламосе и соавтор исследования.

“С этой гарантией в руках исследователи теперь смогут просеять данные квантового компьютера о квантовых системах и использовать эту информацию для изучения свойств материалов или открытия новых материалов, среди других приложений”, – сказал Коулс.

Исчезающий градиент

Основная проблема заключается в “исчезающем градиенте” в ландшафте оптимизации, состоящем из холмов и долин. Цель состоит в том, чтобы обучить параметры модели для обнаружения решения, исследуя географию ландшафта, и хотя решение обычно находится в нижней части самой низкой долины, это невозможно, когда ландшафт плоский.

Проблема становится еще более сложной, когда увеличивается количество особенностей данных, и ландшафт становится экспоненциально плоским с размером особенностей. Это указывает на наличие бесплодного плато, и квантовую нейронную сеть нельзя масштабировать.

Чтобы решить эту проблему, команда разработала новый графический подход для анализа масштабирования внутри квантовой нейронной сети. Эта нейронная сеть должна иметь применение в анализе данных из квантовых симуляций.

“Область квантового машинного обучения еще молода”, – сказал Коулс. “Существует знаменитая цитата о лазерах, когда они были впервые открыты, которая гласила, что они были решением в поисках проблемы. Теперь лазеры используются повсюду. Аналогично, некоторые из нас подозревают, что квантовые данные станут высокодоступными, и тогда квантовое машинное обучение взлетит”.

Масштабируемая квантовая нейронная сеть могла бы позволить квантовому компьютеру просеять через огромный набор данных о различных состояниях данного материала. Эти состояния затем можно было бы коррелировать с фазами, что помогло бы определить оптимальное состояние для высокотемпературной сверхпроводимости.