يدعي Los Alamos أن طفرة في تعلم الآلة الكم: التدريب بكميات صغيرة من البيانات

أعلن الباحثون في مختبر لوس ألاموس الوطني اليوم عن "إثبات" للتعلم الآلي الكمي يقولون إنه يظهر أن هطول الأمطار على الشبكة العصبية الكمية لا يتطلب سوى كمية صغيرة من البيانات ، "(قلبًا) الافتراضات السابقة التي تنبع من شهية الحوسبة الكلاسيكية الضخمة للبيانات في التعلم الآلي ، أو الذكاء الاصطناعي. "

قال المختبر إن للنظرية تطبيقات مباشرة ، بما في ذلك التجميع الأكثر كفاءة لأجهزة الكمبيوتر الكمومية وتمييز مراحل المادة لاكتشاف المواد.

قال Lukasz Cincio (T-4) ، وهو باحث في نظرية الكم في Los Alamos ومؤلف مشارك في الورقة التي تحتوي على الدليل الذي نُشر في 23 أغسطس في المجلة: "يعتقد الكثير من الناس أن التعلم الآلي الكمي سيتطلب الكثير من البيانات". طبيعة الاتصالات. لقد أظهرنا بصرامة أنه بالنسبة للعديد من المشكلات ذات الصلة ، ليس هذا هو الحال.

الورقة، التعميم في التعلم الآلي الكمومي من خلال القليل من بيانات التدريب، بقلم ماتياس سي كارو ، وحسين يوان هوانغ ، وسيريزو ، وكونال شارما ، وسورنبورجر ، وباتريك كولز ، وسينسيو.

قال: "هذا يوفر أملًا جديدًا للتعلم الآلي الكمي". "نحن نسد الفجوة بين ما لدينا اليوم وما هو مطلوب لميزة الكم ، عندما تتفوق أجهزة الكمبيوتر الكمومية على أجهزة الكمبيوتر الكلاسيكية."

تحتاج أنظمة الذكاء الاصطناعي إلى بيانات لتدريب الشبكات العصبية على التعرف - التعميم على - البيانات غير المرئية في التطبيقات الحقيقية. قالت Los Alamos في إعلانها إنه كان من المفترض أن عدد المعلمات ، أو المتغيرات ، سيتم تحديدها من خلال حجم البنية الرياضية المسماة مساحة هيلبرت ، والتي تصبح كبيرة بشكل كبير للتدريب على عدد كبير من الكيوبتات. جعل هذا الحجم هذا النهج شبه مستحيل من الناحية الحسابية.

"قد تكون الحاجة إلى مجموعات بيانات كبيرة عقبة أمام الذكاء الاصطناعي الكمي ، لكن عملنا يزيل هذا الحاجز. قال كولز (T-4) ، الباحث النظري الكمومي في المختبر والمؤلف المشارك للورقة البحثية ، في حين أن القضايا الأخرى المتعلقة بالذكاء الاصطناعي الكمي لا تزال موجودة ، فإننا نعلم الآن على الأقل أن حجم مجموعة البيانات لا يمثل مشكلة.

قال كولز: "من الصعب أن نتخيل مدى اتساع مساحة هيلبرت: مساحة تبلغ مليار ولاية حتى عندما يكون لديك 30 كيوبت فقط". "عملية التدريب على الذكاء الاصطناعي الكمومي تحدث داخل هذه المساحة الشاسعة. قد تعتقد أن البحث في هذه المساحة سيتطلب مليار نقطة بيانات لإرشادك. لكننا أوضحنا أنك تحتاج فقط إلى العديد من نقاط البيانات مثل عدد المعلمات في نموذجك. هذا غالبًا ما يساوي تقريبًا عدد الكيوبتات - لذلك فقط حوالي 30 نقطة بيانات ، "قال كولز.

قال سينسيو إن أحد الجوانب الرئيسية للنتائج هو أنها تسفر عن ضمانات كفاءة حتى بالنسبة للخوارزميات الكلاسيكية التي تحاكي نماذج الذكاء الاصطناعي الكمومية ، لذلك غالبًا ما يمكن التعامل مع بيانات التدريب والتجميع على جهاز كمبيوتر كلاسيكي ، مما يبسط العملية. ثم يتم تشغيل النموذج الذي يتم تعلمه آليًا على جهاز كمبيوتر كمي.

قال سينسيو: "هذا يعني أنه يمكننا خفض متطلبات جودة الأداء التي نحتاجها من الكمبيوتر الكمومي ، فيما يتعلق بالضوضاء والأخطاء ، لإجراء محاكاة كمومية ذات مغزى ، مما يدفع بالميزة الكمية أقرب وأقرب إلى الواقع".

التسريع الناتج عن الإثبات الجديد له تطبيقات عملية مثيرة. وجد الفريق أنه يمكنهم ضمان إمكانية تجميع نموذج كمي ، أو تحضيره للمعالجة على كمبيوتر كمي ، في بوابات حسابية أقل بكثير ، بالنسبة إلى كمية البيانات. يمكن أن يؤدي التجميع ، وهو تطبيق مهم لصناعة الحوسبة الكمومية ، إلى تقليص سلسلة طويلة من بوابات التشغيل أو تحويل ديناميكيات الكم لنظام ما إلى تسلسل بوابة.

قال سينسيو: "ستؤدي نظريتنا إلى أدوات تجميع أفضل بكثير للحوسبة الكمومية". "خاصة مع أجهزة الكمبيوتر الكمومية ذات النطاق المتوسط ​​الصاخبة اليوم حيث يتم احتساب كل بوابة ، فأنت تريد استخدام أقل عدد ممكن من البوابات حتى لا تلتقط الكثير من الضوضاء ، مما يتسبب في حدوث أخطاء."

أظهر الفريق أيضًا أن الذكاء الاصطناعي الكمومي يمكنه تصنيف الحالات الكمومية عبر مرحلة انتقالية بعد التدريب على مجموعة بيانات صغيرة جدًا ، كما قال لوس ألاموس.

قال Andrew Sornborger (CCS-3) ، مدير مركز علوم الكم في المختبر والمؤلف المشارك للورقة: "تصنيف مراحل المادة الكمومية مهم لعلم المواد وذات صلة بمهمة لوس ألاموس". "هذه المواد معقدة ، ولها مراحل مميزة متعددة مثل الأطوار فائقة التوصيل والمغناطيسية."

قال Sornborger إن إنشاء المواد ذات السمات المرغوبة ، مثل الموصلية الفائقة ، يتضمن فهم مخطط الطور ، والذي أثبت الفريق أنه يمكن اكتشافه بواسطة نظام التعلم الآلي بأقل قدر من التدريب.

تتضمن التطبيقات المحتملة الأخرى للنظرية الجديدة تعلم أكواد تصحيح الأخطاء الكمومية والمحاكاة الديناميكية الكمية.

قال ماركو سيريزو (CCS-3) ، خبير لوس ألاموس في التعلم الآلي الكمومي: "فاقت كفاءة الطريقة الجديدة توقعاتنا". "يمكننا تجميع عمليات كمومية معينة وكبيرة جدًا في غضون دقائق بنقاط تدريب قليلة جدًا - وهو أمر لم يكن ممكنًا من قبل."

قال سينسيو: "لفترة طويلة ، لم نستطع تصديق أن الطريقة ستعمل بكفاءة". "باستخدام المترجم ، يُظهر تحليلنا العددي أنه أفضل مما يمكننا إثباته. علينا فقط أن نتدرب على عدد صغير من الولايات من بين المليارات الممكنة. لا يتعين علينا التحقق من كل خيار ، ولكن فقط القليل منها. هذا يبسط التدريب بشكل كبير ".

التمويل (المؤلفون المشاركون في لوس ألاموس فقط): مشروع قانون ASC Beyond Moore في مختبر لوس ألاموس الوطني ؛ وزارة الطاقة الأمريكية ، مكتب العلوم ، مكتب أبحاث الحوسبة العلمية المتقدمة ، البحث المعجل في برنامج الحوسبة الكمومية ؛ برنامج البحث والتطوير الموجه بالمختبر في مختبر لوس ألاموس الوطني ؛ مكتب العلوم بوزارة الطاقة ، مراكز أبحاث علوم معلومات الكم الوطنية ، مركز علوم الكم ؛ ووزارة الدفاع.