Los Alamos hævder kvantemaskinelæringsgennembrud: Træning med små mængder data

Forskere ved Los Alamos National Laboratory annoncerede i dag et "bevis" inden for kvantemaskinelæring, som de siger, viser, at regn af et kvanteneuralt netværk kun kræver en lille mængde data, "(tilbagevendende) tidligere antagelser, der stammer fra klassisk databehandlings enorme appetit på data i maskinlæring eller kunstig intelligens."

Laboratoriet sagde, at teoremet har direkte anvendelser, herunder mere effektiv kompilering til kvantecomputere og skelnen mellem faser af stof til materialeopdagelse.

"Mange mennesker tror, ​​at kvantemaskinelæring vil kræve en masse data," sagde Lukasz Cincio (T-4), en Los Alamos kvanteteoretiker og medforfatter af papiret, der indeholder beviset, der blev offentliggjort 23. august i tidsskriftet Nature Communications. ”Vi har strengt vist, at det ikke er tilfældet for mange relevante problemer.

Papiret, Generalisering i kvantemaskinelæring fra få træningsdata, er af Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles og Cincio.

"Dette giver nyt håb for kvantemaskinelæring," sagde han. "Vi lukker kløften mellem det, vi har i dag, og det, der er nødvendigt for kvantefordele, når kvantecomputere udkonkurrerer klassiske computere."

AI-systemer har brug for data for at træne de neurale netværk til at genkende - generalisere til - usete data i rigtige applikationer. Det var blevet antaget, at antallet af parametre eller variable ville blive bestemt af størrelsen af ​​en matematisk konstruktion kaldet et Hilbert-rum, som bliver eksponentielt stort til træning over et stort antal qubits, sagde Los Alamos i sin meddelelse. Den størrelse gjorde denne tilgang næsten umulig beregningsmæssigt.

"Behovet for store datasæt kunne have været en vejspærring for kvante-AI, men vores arbejde fjerner denne vejspærring. Mens andre problemer for kvante-AI stadig kunne eksistere, ved vi i det mindste nu, at størrelsen af ​​datasættet ikke er et problem," sagde Coles (T-4), en kvanteteoretiker ved laboratoriet og medforfatter af papiret.

"Det er svært at forestille sig, hvor stort Hilbert-rummet er: et rum på en milliard stater, selv når du kun har 30 qubits," sagde Coles. "Træningsprocessen for kvante-AI foregår i dette enorme rum. Du tror måske, at søgning gennem dette rum ville kræve en milliard datapunkter for at guide dig. Men vi viste, at du kun har brug for så mange datapunkter som antallet af parametre i din model. Det er ofte nogenlunde lig med antallet af qubits - så kun omkring 30 datapunkter," sagde Coles.

Et nøgleaspekt af resultaterne, sagde Cincio, er, at de giver effektivitetsgarantier selv for klassiske algoritmer, der simulerer kvante-AI-modeller, så træningsdata og kompilering ofte kan håndteres på en klassisk computer, hvilket forenkler processen. Så kører den maskinlærte model på en kvantecomputer.

"Det betyder, at vi kan sænke kravet til den ydeevne, som vi har brug for fra kvantecomputeren, med hensyn til støj og fejl, for at udføre meningsfulde kvantesimuleringer, som skubber kvantefordele tættere og tættere på virkeligheden," sagde Cincio.

Fremskyndelsen som følge af det nye bevis har dramatiske praktiske anvendelser. Holdet fandt ud af, at de kunne garantere, at en kvantemodel kan kompileres eller forberedes til behandling på en kvantecomputer i langt færre beregningsporte i forhold til mængden af ​​data. Kompilering, en afgørende applikation for kvantecomputerindustrien, kan formindske en lang sekvens af operationelle porte eller forvandle kvantedynamikken i et system til en portsekvens.

"Vores teorem vil føre til meget bedre kompileringsværktøjer til kvanteberegning," sagde Cincio. "Især med nutidens støjende, mellemskala kvantecomputere, hvor hver gate tæller, vil du bruge så få porte som muligt, så du ikke opfanger for meget støj, hvilket forårsager fejl."

Holdet viste også, at en kvante-AI kunne klassificere kvantetilstande på tværs af en faseovergang efter træning på et meget lille datasæt, sagde Los Alamos.

"At klassificere faserne af kvantestof er vigtigt for materialevidenskaben og relevant for Los Alamos' mission," sagde Andrew Sornborger (CCS-3), direktør for Quantum Science Center ved Laboratoriet og medforfatter af papiret. "Disse materialer er komplekse og har flere forskellige faser som superledende og magnetiske faser."

At skabe materialer med ønskede egenskaber, såsom superledning, involverer forståelse af fasediagrammet, sagde Sornborger, som holdet beviste kunne opdages af et maskinlæringssystem med minimal træning.

Andre potentielle anvendelser af det nye teorem omfatter indlæring af kvantefejlkorrigerende koder og kvantedynamiske simuleringer.

"Effektiviteten af ​​den nye metode oversteg vores forventninger," sagde Marco Cerezo (CCS-3), en Los Alamos-ekspert i kvantemaskinelæring. "Vi kan kompilere visse, meget store kvanteoperationer inden for få minutter med meget få træningspunkter - noget, der ikke tidligere var muligt."

"I lang tid kunne vi ikke tro, at metoden ville fungere så effektivt," sagde Cincio. "Med compileren viser vores numeriske analyse, at den er endnu bedre, end vi kan bevise. Vi skal kun træne på et lille antal stater ud af milliarder, der er mulige. Vi behøver ikke at tjekke alle muligheder, men kun nogle få. Dette forenkler træningen enormt.”

Finansieringen (kun Los Alamos medforfattere): ASC Beyond Moore's Law-projekt ved Los Alamos National Laboratory; US Department of Energy Office of Science, Office of Advanced Scientific Computing Research Accelereret forskning i Quantum Computing-program; Laboratoriestyret forsknings- og udviklingsprogram ved Los Alamos National Laboratory; DOE Office of Science, National Quantum Information Science Research Centre, Quantum Science Center; og Forsvarsministeriet.