Los Alamos behauptet Durchbruch beim maschinellen Quantenlernen: Training mit kleinen Datenmengen

Forscher des Los Alamos National Laboratory kündigten heute einen „Beweis“ im Bereich des maschinellen Quantenlernens an, der ihrer Meinung nach zeigt, dass für die Entwicklung eines neuronalen Quantennetzwerks nur eine kleine Datenmenge erforderlich ist , oder künstliche Intelligenz.“

Das Labor sagte, das Theorem habe direkte Anwendungen, einschließlich einer effizienteren Kompilierung für Quantencomputer und der Unterscheidung von Materiephasen für die Materialentdeckung.

„Viele Menschen glauben, dass maschinelles Quantenlernen viele Daten erfordern wird“, sagte Lukasz Cincio (T-4), ein Quantentheoretiker aus Los Alamos und Mitautor des Artikels, der den am 23. August in der Zeitschrift veröffentlichten Beweis enthält Nature Communications veröffentlicht . „Wir haben rigoros gezeigt, dass dies für viele relevante Probleme nicht der Fall ist.

Das Papier, Verallgemeinerung im Quantenmaschinenlernen aus wenigen Trainingsdaten, ist von Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles und Cincio.

„Dies bietet neue Hoffnung für das Quantenmaschinenlernen“, sagte er. „Wir schließen die Lücke zwischen dem, was wir heute haben, und dem, was für Quantenvorteile benötigt wird, wenn Quantencomputer klassische Computer übertreffen.“

KI-Systeme benötigen Daten, um die neuronalen Netze darauf zu trainieren, unsichtbare Daten in realen Anwendungen zu erkennen – zu verallgemeinern. Es sei angenommen worden, dass die Anzahl der Parameter oder Variablen durch die Größe eines mathematischen Konstrukts namens Hilbert-Raum bestimmt würde, das für das Training über eine große Anzahl von Qubits exponentiell groß wird, sagte Los Alamos in seiner Ankündigung. Diese Größe machte diesen Ansatz rechnerisch nahezu unmöglich.

„Der Bedarf an großen Datensätzen hätte ein Hindernis für die Quanten-KI sein können, aber unsere Arbeit beseitigt dieses Hindernis. Während andere Probleme für die Quanten-KI noch bestehen könnten, wissen wir zumindest jetzt, dass die Größe des Datensatzes kein Problem ist“, sagte Coles (T-4), ein Quantentheoretiker im Labor und Mitautor des Papiers.

„Es ist schwer vorstellbar, wie groß der Hilbert-Raum ist: ein Raum mit einer Milliarde Staaten, selbst wenn man nur 30 Qubits hat“, sagte Coles. „Der Trainingsprozess für die Quanten-KI findet in diesem riesigen Raum statt. Sie könnten denken, dass das Durchsuchen dieses Raums eine Milliarde Datenpunkte erfordern würde, um Sie zu führen. Aber wir haben gezeigt, dass Sie nur so viele Datenpunkte wie die Anzahl der Parameter in Ihrem Modell benötigen. Das entspricht oft ungefähr der Anzahl der Qubits – also nur etwa 30 Datenpunkte“, sagte Coles.

Ein wichtiger Aspekt der Ergebnisse, so Cincio, sei, dass sie selbst für klassische Algorithmen, die Quanten-KI-Modelle simulieren, Effizienzgarantien liefern, sodass die Trainingsdaten und die Zusammenstellung oft auf einem klassischen Computer gehandhabt werden können, was den Prozess vereinfacht. Dann läuft das maschinell gelernte Modell auf einem Quantencomputer.

„Das bedeutet, dass wir die Anforderungen an die Leistungsqualität, die wir vom Quantencomputer benötigen, in Bezug auf Rauschen und Fehler senken können, um aussagekräftige Quantensimulationen durchzuführen, wodurch der Quantenvorteil immer näher an die Realität herangeführt wird“, sagte Cincio.

Die aus dem neuen Beweis resultierende Beschleunigung hat dramatische praktische Anwendungen. Das Team stellte fest, dass es garantieren konnte, dass ein Quantenmodell im Verhältnis zur Datenmenge in weit weniger Rechenschritten kompiliert oder für die Verarbeitung auf einem Quantencomputer vorbereitet werden kann. Das Kompilieren, eine entscheidende Anwendung für die Quantencomputerindustrie, kann eine lange Folge von Betriebsgattern verkleinern oder die Quantendynamik eines Systems in eine Gattersequenz umwandeln.

„Unser Theorem wird zu viel besseren Kompilierungswerkzeugen für Quantencomputer führen“, sagte Cincio. „Besonders bei den heutigen lauten Quantencomputern mittlerer Größe, bei denen jedes Gatter zählt, möchte man so wenig Gatter wie möglich verwenden, damit man nicht zu viel Rauschen aufnimmt, das Fehler verursacht.“

Das Team zeigte auch, dass eine Quanten-KI Quantenzustände über einen Phasenübergang hinweg klassifizieren kann, nachdem sie mit einem sehr kleinen Datensatz trainiert wurde, sagte Los Alamos.

„Die Klassifizierung der Phasen der Quantenmaterie ist wichtig für die Materialwissenschaft und relevant für die Mission von Los Alamos“, sagte Andrew Sornborger (CCS-3), Direktor des Quantum Science Center am Labor und Mitautor des Papiers. „Diese Materialien sind komplex und haben mehrere unterschiedliche Phasen wie supraleitende und magnetische Phasen.“

Das Erstellen von Materialien mit gewünschten Eigenschaften wie Supraleitung erfordert das Verständnis des Phasendiagramms, sagte Sornborger, von dem das Team bewiesen hat, dass es von einem maschinellen Lernsystem mit minimalem Training entdeckt werden kann.

Andere potenzielle Anwendungen des neuen Theorems umfassen das Lernen von Quantenfehlerkorrekturcodes und quantendynamische Simulationen.

„Die Effizienz der neuen Methode hat unsere Erwartungen übertroffen“, sagte Marco Cerezo (CCS-3), ein Experte für Quantenmaschinenlernen aus Los Alamos. „Wir können bestimmte, sehr große Quantenoperationen innerhalb von Minuten mit sehr wenigen Trainingspunkten kompilieren – etwas, das vorher nicht möglich war.“

„Lange Zeit konnten wir nicht glauben, dass die Methode so effizient funktioniert“, sagt Cincio. „Unsere numerische Analyse zeigt, dass der Compiler sogar noch besser ist, als wir beweisen können. Wir müssen nur auf eine kleine Anzahl von Zuständen aus Milliarden möglicher Zustände trainieren. Wir müssen nicht jede Option prüfen, sondern nur einige. Das vereinfacht das Training enorm.“

Die Finanzierung (nur Los Alamos Co-Autoren): ASC Beyond Moore's Law Projekt am Los Alamos National Laboratory; US Department of Energy Office of Science, Office of Advanced Scientific Computing Research Accelerated Research in Quantum Computing Programm; Laborgesteuertes Forschungs- und Entwicklungsprogramm am Los Alamos National Laboratory; DOE Office of Science, National Quantum Information Science Research Centers, Quantum Science Center; und Verteidigungsministerium.