Yeni Araştırma Kuantum Bilgisayarlarında Bir Kırılma Sağlıyor

Los Alamos Ulusal Laboratuvarı’ndaki bir ekip tarafından yapılan yeni bir araştırma, kuantum bilgisayarlarında bir kırılma sağladı. Yeni bir teorem, konvolüsyonel sinir ağlarının her zaman kuantum bilgisayarlarında eğitilebileceğini gösteriyor, bu da “verimsiz düzlükler” olarak bilinen optimizasyon sorunlarını aşmayı sağlıyor.

Araştırma Physical Review X dergisinde yayımlandı.

Verimsiz Düzlükler – Temel Çözülebilirlik Sorunu

Konvolüsyonel sinir ağları, klasik bilgisayarlardan daha iyi veri analiz edebilmek için kuantum bilgisayarlarında çalıştırılabilir. Ancak, “verimsiz düzlükler” olarak bilinen temel bir çözülebilirlik sorunu, büyük veri kümeleri için sinir ağlarının uygulanmasını sınırlayan bir zorluk oluşturdu.

Marco Cerezo, “Kuantum Konvolüsyonel Sinir Ağlarında Verimsiz Düzlüklerin Olmaması” adlı araştırma makalesinin ortak yazarıdır. Cerezo, laboratuvarda kuantum bilgisayarları, kuantum makine öğrenimi ve kuantum bilgisi üzerine uzmanlaşmış bir fizikçidir.

“Kuantum sinir ağını oluşturma şekli, bir verimsiz düzlüğe yol açabilir veya açmayabilir” dedi Cerezo. “Kuantum konvolüsyonel sinir ağlarının özel bir türünde verimsiz düzlüklerin olmadığını kanıtladık. Çalışmamız, bu mimari için eğitilebilirlik garantisi sağlar, yani parametrelerini genel olarak eğitebilirsiniz.”

Kuantum konvolüsyonel sinir ağları, havuzlama katmanlarıyla交elen konvolüsyonel katmanlar dizisini içerir, bu da veri boyutunu azaltırken veri kümesinin önemli özelliklerini korur.

Sinir ağları, görüntü tanıma ve malzeme keşfi gibi geniş bir uygulama yelpazesi için kullanılabilir. Kuantum bilgisayarlarının AI uygulamalarında tam potansiyelinin gerçekleştirilmesi için verimsiz düzlüklerin aşılması gerekir.

Cerezo’ya göre, kuantum makine öğrenimi araştırmacıları geleneksel olarak bu sorunun etkilerini azaltmanın yollarını analiz ettiler, ancak sorunu tamamen önlemek için teorik bir temel geliştirmediler. Bu, yeni araştırmayla değişiyor, çünkü ekibin makalesi bazı kuantum sinir ağlarının verimsiz düzlüklerden muaf olduğunu gösteriyor.

Patrick Coles, Los Alamos’ta bir kuantum fizikçisi ve araştırmanın ortak yazarıdır.

“Bu garantinin elinizde olmasıyla, araştırmacılar artık kuantum bilgisayar verilerini kuantum sistemleri hakkında sınıflandırabilir ve bu bilgileri malzeme özelliklerini incelemek veya yeni malzemeler keşfetmek gibi uygulamalar için kullanabilecekler” dedi Coles.

Kaybolan Gradyan

Ana sorun, optimizasyon manzarasının “kaybolan gradyan”ından kaynaklanmaktadır, manzara tepeler ve vadilerle oluşur. Amac, modelin parametrelerini bir çözüm bulmak için manzaranın coğrafyasını keşfederek eğitmektir, ancak çözüm genellikle en alçak vadinin dibinde bulunur, bu da manzara düz olduğunda mümkün değildir.

Sorun, veri özelliklerinin sayısı arttıkça daha da zorlaşır ve manzara, özellik boyutuyla birlikte üssel olarak düzleşir. Bu, bir verimsiz düzlük olduğunu gösterir ve kuantum sinir ağı büyütülemez.

Bunu ele almak için ekip, bir kuantum sinir ağı içinde ölçekleme için yeni bir grafik yaklaşım geliştirdi. Bu sinir ağı, kuantum simülasyonlarından gelen verileri analiz etmede uygulama beklenmektedir.

“Kuantum makine öğrenimi alanı masih genç” dedi Coles. “Lazerlerin ilk keşfedildiğinde, bir sorun için bir çözüm aradıkları famous bir alıntı var. Şimdi lazerler her yerde kullanılıyor. Benzer şekilde, birçoğumuz kuantum verilerinin yüksek oranda kullanılabilir olacağını ve ardından kuantum makine öğreniminin patlayacağını düşünüyoruz.”

Büyütülebilir bir kuantum sinir ağı, bir kuantum bilgisayarının bir malzemenin çeşitli durumları hakkında devasa bir veri kümesini sınıflandırmasına olanak tanır. Bu durumlar daha sonra fazlarla ilişkili olabilir, bu da yüksek sıcaklık süper iletkenlik için optimal durumu belirlemeye yardımcı olur.