Нові дослідження зробили прорив у квантових обчисленнях

Нові дослідження команди в Національній лабораторії Лос-Аламоса зробили прорив у квантових обчисленнях. Нова теорема демонструє, що конволюційні нейронні мережі завжди можна тренувати на квантових комп’ютерах, що подолує загрозу, відому як “безплідні плато” в задачах оптимізації.

Дослідження було опубліковано в Physical Review X.

Безплідні плато – фундаментальна проблема розв’язності

Конволюційні нейронні мережі можна запускати на квантових комп’ютерах для аналізу даних краще, ніж класичні комп’ютери. Однак існувала фундаментальна проблема розв’язності, відома як “безплідні плато”, яка становила загрозу для дослідників, обмежуючи застосування нейронних мереж для великих наборів даних.

Марко Серезо є співавтором дослідження під назвою “Відсутність безплідних плато в квантових конволюційних нейронних мережах”. Серезо – фізик, який спеціалізується на квантових обчисленнях, квантовому машинному навчанні та квантовій інформації в лабораторії.

“Спосіб, яким ви будуєте квантову нейронну мережу, може привести до безплідного плато – або ні”, – сказав Серезо. “Ми довели відсутність безплідних плато для спеціального типу квантової нейронної мережі. Наша робота забезпечує гарантію тренування для цієї архітектури, що означає, що можна загально тренувати її параметри”.

Квантові конволюційні нейронні мережі включають серію конволюційних шарів, які чергуються з пулінг-шарами, що дозволяє зменшити розмірність даних, зберігаючи важливі особливості набору даних.

Нейронні мережі можна використовувати для широкого спектра застосунків, таких як розпізнавання зображень та відкриття матеріалів. Для досягнення повного потенціалу квантових комп’ютерів у застосунках штучного інтелекту необхідно подолати безплідні плато.

За словами Серезо, дослідники в галузі квантового машинного навчання традиційно аналізували, як пом’якшити наслідки цієї проблеми, але їм ще не вдалося розробити теоретичну основу для уникнення всієї проблеми. Це змінюється з новими дослідженнями, оскільки стаття команди демонструє, як деякі квантові нейронні мережі імунні до безплідних плато.

Патрік Коулс – квантовий фізик в Лос-Аламосі та співавтор дослідження.

“З цією гарантією в руках дослідники тепер зможуть просіювати дані квантового комп’ютера про квантові системи та використовувати цю інформацію для вивчення властивостей матеріалів або відкриття нових матеріалів, серед інших застосунків”, – сказав Коулс.

Зникаючий градієнт

Основна проблема виникає з “зникаючим градієнтом” в оптимізаційному ландшафті, який складається з пагорбів і долин. Метою є тренування параметрів моделі для знаходження рішення шляхом дослідження географії ландшафту, а рішення зазвичай знаходиться на дні найнижчої долини, але це неможливо, коли ландшафт плоский.

Проблема стає ще більш складною, коли кількість особливостей даних збільшується, а ландшафт стає експоненційно плоским з розміром особливості. Це вказує на наявність безплідного плато, і квантову нейронну мережу не можна масштабувати.

Для вирішення цієї проблеми команда розробила новий графічний підхід для аналізу масштабування в квантовій нейронній мережі. Ця нейронна мережа очікується мати застосування в аналізі даних з квантових симуляцій.

“Область квантового машинного навчання ще молода”, – сказав Коулс. “Є знаменита цитата про лазери, коли вони були вперше відкриті, яка говорила, що вони є рішенням у пошуках проблеми. Тепер лазери використовуються скрізь. Аналогічно, ми підозрюємо, що квантові дані стануть широко доступними, і тоді квантове машинне навчання буде розвиватися.”

Масштабована квантова нейронна мережа могла б дозволити квантовому комп’ютеру просіювати великий набір даних про різні стани матеріалу. Ці стани можна було б потім корелювати з фазами, що допомогло б ідентифікувати оптимальний стан для високотемпературної надпровідності.