Ny forskning gör genombrott inom kvantberäkning

Ny forskning av ett team vid Los Alamos National Laboratory har gjort ett genombrott inom kvantberäkning. En ny sats visar att konvolutionsneuronnät alltid kan tränas på kvantdatorer, vilket övervinner ett hot som kallas “öde slätter” i optimeringsproblem.

Forskningen publicerades i Physical Review X.

Öde slätter – grundläggande lösbarhetsproblem

Konvolutionsneuronnät kan köras på kvantdatorer för att analysera data bättre än klassiska datorer. Men det har funnits ett grundläggande lösbarhetsproblem som kallas “öde slätter” som har utgjort en utmaning för forskare genom att begränsa tillämpningen av neuronnäten för stora datamängder.

Marco Cerezo är medförfattare till forskningsartikeln med titeln “Frånvaro av öde slätter i kvantkonvolutionsneuronnät”. Cerezo är en fysiker som specialiserat sig på kvantberäkning, kvantmaskinlärning och kvantinformation på laboratoriet.

“Sättet du konstruerar ett kvantneuronnät kan leda till en öde slätt – eller inte”, sa Cerezo. “Vi har bevisat frånvaron av öde slätter för en särskild typ av kvantneuronnät. Vårt arbete ger garantier för att detta kan tränas, vilket innebär att man generiskt kan träna dess parametrar”.

Kvantkonvolutionsneuronnät består av en serie konvolutionslager som varvas med poolningslager, vilket möjliggör minskning av datamängdens dimension samtidigt som viktiga egenskaper hos datamängden behålls.

Neuronnäten kan användas för en mängd olika tillämpningar, såsom bildigenkänning och materialupptäckt. För att den fulla potentialen hos kvantdatorer ska kunna uppnås i AI-tillämpningar måste de öde slätterna övervinnas.

Enligt Cerezo har forskare inom kvantmaskinlärning traditionellt analyserat hur man kan mildra effekterna av detta problem, men de har ännu inte utvecklat en teoretisk grund för att undvika problemet i sin helhet. Detta är på väg att förändras med den nya forskningen, eftersom teamets artikel visar hur vissa kvantneuronnät är immuna mot öde slätter.

Patrick Coles är en kvantfysiker vid Los Alamos och medförfattare till forskningen.

“Med denna garanti i handen kommer forskare nu att kunna gå igenom kvantdatordata om kvantsystem och använda den informationen för att studera materialegenskaper eller upptäcka nya material, bland annat”, sa Coles.

Försvinnande gradient

Det stora problemet beror på en “försvinnande gradient” i optimeringslandskapet, där landskapet består av kullar och dalar. Målet är att träna modellens parametrar för att upptäcka en lösning genom att utforska landskapets geografi, och medan lösningen vanligtvis finns i botten av den lägsta dalen, är detta inte möjligt när landskapet är platt.

Problemets svårighetsgrad ökar när antalet datafunktioner ökar, och landskapet blir exponentiellt platt med funktionens storlek. Detta indikerar närvaron av en öde slätt, och det kvantneuronnätet kan inte skalförstoras.

För att åtgärda detta utvecklade teamet en ny grafisk metod för att analysera skalförstoringen inom ett kvantneuronnät. Detta neuronnät förväntas ha tillämpning i att analysera data från kvantsimuleringar.

“Fältet kvantmaskinlärning är fortfarande ungt”, sa Coles. “Det finns ett berömt citat om laser, när de först upptäcktes, som sa att de var en lösning i sökande efter ett problem. Nu används laser överallt. På liknande sätt misstänker en del av oss att kvantdata kommer att bli högt tillgängliga, och sedan kommer kvantmaskinlärning att ta fart”.

Ett skalbart kvantneuronnät kan möjliggöra för en kvantdator att gå igenom en stor datamängd om de olika tillstånden för ett visst material. Dessa tillstånd kan sedan korreleras med faser, vilket kan hjälpa till att identifiera det optimala tillståndet för högtemperatur-superledning.