Нові дослідження роблять прорив у квантових обчисленнях

Нові дослідження команди в Національній лабораторії Лос-Аламоса зробили прорив у квантових обчисленнях. Нова теорема демонструє, що卷олюційні нейронні мережі можна завжди 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

волюційні 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 виклик для дослідників, обмежуючи застосування нейронних мереж для великих наборів даних.

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

“Від того, як ви будуєте квантову нейронну мережу, може виникнути безплідне плато – або ні”, – сказав Серезо. “Ми довели відсутність безплідних плато для особливого типу квантової нейронної мережі. Наша робота забезпечує гарантію тренування для цієї архітектури, що означає, що можна загально тренувати її параметри.”

Квантові волюційні нейронні мережі включають серію волюційних 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 того, щоб досягти повного потенціалу квантових комп’ютерів у застосунках штучного інтелекту, потрібно подолати безплідні плато.

За словами Серезо, дослідники 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 робота команди демонструє, як деякі квантові нейронні мережі нечутливі 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 полягає у “зникаючому градієнті” в оптимізаційному ландшафті, який складається з пагорбів і долин. Метою є тренування параметрів моделі для відкриття рішення шляхом дослідження географії ландшафту, і хоча рішення зазвичай знаходиться на дні найнижчої долини, 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 сказала, що вони були рішенням у пошуках проблеми. Тепер лазери використовуються всюди. Аналогічно, деякі з нас підозрюють, що квантові дані стануть широко доступними, а потім квантове машинне навчання злетить.”

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