การวิจัยใหม่สร้างความก้าวหน้าในการคำนวณควอนตัม

การวิจัยใหม่โดยทีมงานที่ Los Alamos National Laboratory ได้สร้างความก้าวหน้าในการคำนวณควอนตัม ทฤษฎีบทใหม่แสดงให้เห็นว่าเครือข่ายประสาทเทียมแบบคอนโวลูชันสามารถฝึกอบรมบนคอมพิวเตอร์ควอนตัมได้เสมอ ซึ่งเอาชนะภัยคุกคามที่เรียกว่า “พื้นที่ที่ไม่มีชีวิต” ในปัญหาการเพิ่มประสิทธิภาพ

การวิจัยนี้ได้รับการตีพิมพ์ใน Physical Review X

พื้นที่ที่ไม่มีชีวิต – ปัญหาการแก้ปัญหาเชิงพื้นฐาน

เครือข่ายประสาทเทียมแบบคอนโวลูชันสามารถทำงานบนคอมพิวเตอร์ควอนตัมเพื่อวิเคราะห์ข้อมูลได้ดีกว่าคอมพิวเตอร์คลาสสิก อย่างไรก็ตาม มีปัญหาการแก้ปัญหาเชิงพื้นฐานที่เรียกว่า “พื้นที่ที่ไม่มีชีวิต” ซึ่งเป็นความท้าทายต่อนักวิจัยโดยจำกัดการประยุกต์ใช้เครือข่ายประสาทเทียมสำหรับชุดข้อมูลขนาดใหญ่

Marco Cerezo เป็นผู้เขียนร่วมของเอกสารวิจัยที่มีชื่อเรื่อง “Absence of Barren Plateaus in Quantum Convolutional Neural Networks” Cerezo เป็นนักฟิสิกส์ที่เชี่ยวชาญด้านการคำนวณควอนตัม การเรียนรู้ของเครื่องควอนตัม และข้อมูลควอนตัมที่ห้องปฏิบัติการ

“วิธีการสร้างเครือข่ายประสาทเทียมควอนตัมสามารถนำไปสู่พื้นที่ที่ไม่มีชีวิต — หรือไม่” Cerezo กล่าว “เราพิสูจน์ความไม่มีพื้นที่ที่ไม่มีชีวิตสำหรับเครือข่ายประสาทเทียมควอนตัมแบบพิเศษ เรางานของเรามีการรับประกันการฝึกอบรมสำหรับสถาปัตยกรรมนี้ หมายความว่าสามารถฝึกอบรมพารามิเตอร์ได้แบบทั่วไป”

เครือข่ายประสาทเทียมควอนตัมแบบคอนโวลูชันประกอบด้วยชั้นคอนโวลูชันซึ่งสลับกับชั้นการรวมกัน ทำให้สามารถลดขนาดของข้อมูลได้ขณะเก็บคุณลักษณะสำคัญของชุดข้อมูล

เครือข่ายประสาทเทียมสามารถใช้สำหรับการใช้งานที่หลากหลาย เช่น การรู้จำภาพและค้นพบวัสดุ เพื่อให้สามารถใช้ประโยชน์จากคอมพิวเตอร์ควอนตัมได้อย่างเต็มที่ในแอปพลิเคชัน AI จะต้องเอาชนะพื้นที่ที่ไม่มีชีวิต

ตาม Cerezo นักวิจัยด้านการเรียนรู้ของเครื่องควอนตัมได้วิเคราะห์วิธีการบรรเทาผลกระทบของปัญหานี้ แต่ยังไม่ได้พัฒนาฐานทฤษฎีสำหรับการหลีกเลี่ยงปัญหาโดยสิ้นเชิง ซึ่งเปลี่ยนแปลงไปพร้อมกับการวิจัยใหม่นี้ เนื่องจากเอกสารวิจัยของทีมแสดงให้เห็นว่าเครือข่ายประสาทเทียมควอนตัมบางตัวไม่ไวต่อพื้นที่ที่ไม่มีชีวิต

Patrick Coles เป็นนักฟิสิกส์ควอนตัมที่ Los Alamos และผู้เขียนร่วมของการวิจัย

“ด้วยการรับประกันนี้ เราจะสามารถสแกนข้อมูลคอมพิวเตอร์ควอนตัมเกี่ยวกับระบบควอนตัมและใช้ข้อมูลนั้นเพื่อศึกษาคุณสมบัติวัสดุหรือค้นพบวัสดุใหม่ ๆ” Coles กล่าว

การหายไปของเกรเดียนต์

ปัญหาหลักเกิดจาก “เกรเดียนต์ที่หายไป” ในภูมิประเทศการเพิ่มประสิทธิภาพ ซึ่งประกอบด้วยเนินและหุบเขา เป้าหมายคือการฝึกอบรมพารามิเตอร์ของแบบจำลองเพื่อค้นหาวิธีแก้ปัญหาโดยการสำรวจภูมิประเทศ และแม้ว่าวิธีแก้ปัญหาโดยทั่วไปจะอยู่ที่ด้านล่างของหุบเขาที่ต่ำที่สุด แต่นี่ไม่ใช่เรื่องที่เป็นไปได้เมื่อภูมิประเทศนั้นเป็นภูมิประเทศที่ราบ

ปัญหาเกิดขึ้นมากขึ้นเมื่อจำนวนคุณลักษณะของข้อมูลเพิ่มขึ้น และภูมิประเทศกลายเป็นภูมิประเทศที่ราบอย่างเป็นเอกซ์โปเนนเชียลตามขนาดคุณลักษณะ ซึ่งบ่งชี้ถึงการมีอยู่ของพื้นที่ที่ไม่มีชีวิต และเครือข่ายประสาทเทียมควอนตัมไม่สามารถปรับขนาดได้

เพื่อแก้ไขปัญหานี้ ทีมงานได้พัฒนาวิธีการทางกราฟิกใหม่สำหรับการวิเคราะห์การปรับขนาดภายในเครือข่ายประสาทเทียมควอนตัม เครือข่ายประสาทเทียมควอนตัมนี้คาดว่าจะมีการใช้งานในการวิเคราะห์ข้อมูลจากซิมูเลชันควอนตัม

“สาขาการเรียนรู้ของเครื่องควอนตัมยังคงเป็นสาขาที่ยังเด็ก” Coles กล่าว “มีคำพูดที่มีชื่อเสียงเกี่ยวกับเลเซอร์ เมื่อเลเซอร์ถูกค้นพบว่าเป็นวิธีแก้ปัญหาโดยไม่มีปัญหา ตอนนี้เลเซอร์ถูกใช้ทุกที่ ในทำนองเดียวกัน เราหลายคนคิดว่าข้อมูลควอนตัมจะพร้อมใช้งานอย่างแพร่หลาย และจากนั้นการเรียนรู้ของเครื่องควอนตัมจะเริ่มทำงาน”

เครือข่ายประสาทเทียมควอนตัมที่สามารถปรับขนาดได้สามารถช่วยให้คอมพิวเตอร์ควอนตัมสแกนข้อมูลชุดขนาดใหญ่เกี่ยวกับสถานะต่างๆ ของวัสดุได้ สถานะเหล่านั้นสามารถสัมพันธ์กับเฟส ซึ่งจะช่วยระบุสถานะที่เหมาะสมที่สุดสำหรับการนำไฟฟ้าแบบซูเปอร์คอนดักตอร์ที่อุณหภูมิสูง