Yeni Araştırma Kuantum Bilgisayarlarında Bir Kırılma Noktasına Ulaştı

Los Alamos Ulusal Laboratuvarı’ndaki bir ekip tarafından yapılan yeni bir araştırma, kuantum bilgisayarlarında bir kırılma noktasına ulaştı. Yeni bir teorem, konvolüsyonel sinir ağlarının her zaman kuantum bilgisayarlarında eğitilebileceğini gösteriyor, bu da optimize etme sorunlarında “çorak platolar” olarak bilinen bir tehdidi aşmayı sağlıyor.

Araştırma Physical Review X dergisinde yayımlandı.

Çorak Platolar – Temel Çözülebilirlik Sorunu

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

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

“Bir kuantum sinir ağını nasıl oluşturduğunuz, bir çorak plato ile sonuçlanabilir – veya olmayabilir” dedi Cerezo. “Kuantum konvolüsyonel sinir ağlarında çorak platoların olmadığını kanıtladık. Çalışmamız, bu mimari için eğitilebilirlik garantisi sağlar, yani parametrelerini genel olarak eğitebilirsiniz.”

Kuantum konvolüsyonel sinir ağları, havuzlama katmanlarıyla交互 olan bir dizi konvolüsyonel katman 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 gerçekleştirilebilmesi için çorak platoların aşılması gerekmektedir.

Cerezo’ya göre, kuantum makine öğrenimi araştırmacıları geleneksel olarak bu sorunun etkilerini nasıl hafifleteceklerini analiz ettiler, ancak sorunla tamamen başa çıkmanın teorik temeli geliştirmediler. Bu, yeni araştırmanın değişimiyle birlikte değişiyor, çünkü ekibin makalesi bazı kuantum sinir ağlarının çorak platolardan muaf olduğunu gösteriyor.

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

“Bu garanti elimizde iken, araştırmacılar şimdi kuantum bilgisayar verilerini kuantum sistemleri hakkında analiz edecek ve bu bilgileri malzeme özelliklerini incelemek veya yeni malzemeler keşfetmek gibi uygulamalar için kullanabilecekler” dedi Coles.

Kaybolan Gradyan

Ana sorun, tepe ve vadilerden oluşan bir peyzajdan oluşan optimize etme peyzajındaki “kaybolan gradyan”dan kaynaklanmaktadır. Hedef, model parametrelerini eğitmek ve peyzajın coğrafyasını keşfederek bir çözüm bulmaktır ve genellikle çözüm en düşük vadide bulunur, ancak peyzaj düz olduğunda bu mümkün değildir.

Sorun, veri özelliklerinin sayısı arttıkça daha da zorlaşır ve peyzaj, özellik boyutuyla birlikte üssel olarak düzleşir. Bu, bir çorak platonun varlığını gösterir ve kuantum sinir ağı ölçeklenemez.

Bunu çözmek için ekip, bir kuantum sinir ağı içinde ölçekleme için yeni bir grafik yaklaşım geliştirdi. Bu sinir ağı, kuantum simülasyonlarından alınan verileri analiz etmekte uygulama bulması beklenmektedir.

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

Ölçeklenebilir bir kuantum sinir ağı, bir kuantum bilgisayarının bir malzemenin çeşitli durumları hakkında büyük bir veri kümesini analiz etmesine olanak tanıyabilir. Bu durumlar daha sonra evrelerle ilişkili olabilir, bu da yüksek sıcaklık süper iletkenliği için optimal durumu belirlemeye yardımcı olur.