Нове дослідження робить прорив у квантових обчисленнях

Нове дослідження, проведене командою Національної лабораторії Лос-Аламоса, здійснило прорив у квантових обчисленнях. Нова теорема демонструє, що згорткові нейронні мережі завжди можна навчити на квантових комп’ютерах, що долає загрозу, відому як «безплідні плато» в задачах оптимізації.

Дослідження було опубліковано в Фізичний огляд X.

Безплідні плато – фундаментальна проблема розв’язності

Згорткові нейронні мережі можна запускати на квантових комп’ютерах для аналізу даних краще, ніж класичні комп’ютери. Однак існувала фундаментальна проблема розв’язності, яка називається «безплідними плато», яка стала проблемою для дослідників, обмеживши застосування нейронних мереж для великих наборів даних.

Марко Серезо є співавтором наукової статті під назвою «Відсутність безплідних плато в квантових згорткових нейронних мережах». Серезо — фізик, який спеціалізується на квантових обчисленнях, квантовому машинному навчанні та квантовій інформації в лабораторії.

«Те, як ви будуєте квантову нейронну мережу, може призвести до безплідного плато — чи ні», — сказав Серезо. «Ми довели відсутність безплідних плато для особливого типу квантової нейронної мережі. Наша робота надає гарантії можливості навчання для цієї архітектури, що означає, що її параметри можна навчити узагальнено».

Квантові згорточні нейронні мережі включають серію згорткових шарів, які перемежовуються шарами об’єднання, що дозволяє зменшити розмірність даних, зберігаючи важливі характеристики набору даних.

Нейронні мережі можна використовувати для широкого спектру застосувань, таких як розпізнавання зображень і виявлення матеріалів. Для того, щоб повний потенціал квантових комп’ютерів був досягнутий у додатках штучного інтелекту, необхідно подолати безплідні плато.

За словами Серезо, дослідники квантового машинного навчання традиційно аналізували, як пом’якшити наслідки цієї проблеми, але їм ще належить розробити теоретичну основу для уникнення проблеми в цілому. Це змінюється з новим дослідженням, оскільки стаття команди демонструє, як деякі квантові нейронні мережі несприйнятливі до безплідних плато.

Патрік Коулз — квантовий фізик у Лос-Аламосі та співавтор дослідження.

«З цією гарантією в руках дослідники тепер зможуть переглядати дані квантового комп’ютера про квантові системи та використовувати цю інформацію для вивчення властивостей матеріалів або відкриття нових матеріалів, серед інших застосувань», — сказав Коулз.

Зникаючий градієнт

Основна проблема виникає через «зникаючий градієнт» у ландшафті оптимізації, коли ландшафт складається з пагорбів і долин. Мета полягає в тому, щоб навчити параметри моделі знаходити рішення, досліджуючи географію ландшафту, і хоча рішення зазвичай знаходиться на дні найнижчої долини, це неможливо, коли ландшафт плоский.

Проблема стає ще складнішою, коли кількість функцій даних збільшується, а ландшафт стає експоненціально плоским із розміром функції. Це вказує на наявність безплідного плато, і квантову нейронну мережу неможливо збільшити.

Щоб вирішити цю проблему, команда розробила новий графічний підхід для аналізу масштабування в квантовій нейронній мережі. Очікується, що ця нейронна мережа матиме застосування для аналізу даних квантового моделювання.

«Сфера квантового машинного навчання ще молода», — сказав Коулз. «Є відома цитата про лазери, коли вони були вперше виявлені, де говориться, що вони були рішенням у пошуках проблеми. Зараз лазери використовуються повсюдно. Так само багато з нас підозрюють, що квантові дані стануть дуже доступними, і тоді квантове машинне навчання почне розвиватися».

Масштабована квантова нейронна мережа може дозволити квантовому комп’ютеру просіювати величезний набір даних про різні стани певного матеріалу. Потім ці стани можна було б співвіднести з фазами, що допомогло б визначити оптимальний стан для високотемпературної надпровідності.