Το Los Alamos ισχυρίζεται ότι η κβαντική μηχανική μάθηση καινοτομία: Εκπαίδευση με μικρές ποσότητες δεδομένων

Ερευνητές στο Εθνικό Εργαστήριο του Λος Άλαμος ανακοίνωσαν σήμερα μια «απόδειξη» στην κβαντική μηχανική μάθηση που λένε ότι δείχνει ότι η βροχή ενός κβαντικού νευρωνικού δικτύου απαιτεί μόνο μια μικρή ποσότητα δεδομένων, «(ανατρέποντας) προηγούμενες υποθέσεις που απορρέουν από την τεράστια όρεξη του κλασικού υπολογισμού για δεδομένα στη μηχανική μάθηση ή τεχνητή νοημοσύνη».

Το εργαστήριο είπε ότι το θεώρημα έχει άμεσες εφαρμογές, συμπεριλαμβανομένης της πιο αποτελεσματικής μεταγλώττισης για κβαντικούς υπολογιστές και της διάκρισης των φάσεων της ύλης για την ανακάλυψη υλικών.

«Πολλοί άνθρωποι πιστεύουν ότι η κβαντική μηχανική μάθηση θα απαιτήσει πολλά δεδομένα», δήλωσε ο Lukasz Cincio (T-4), ένας κβαντικός θεωρητικός στο Los Alamos και συν-συγγραφέας της εργασίας που περιέχει την απόδειξη που δημοσιεύτηκε στις 23 Αυγούστου στο περιοδικό. Nature Communications. «Έχουμε δείξει αυστηρά ότι για πολλά σχετικά προβλήματα, αυτό δεν ισχύει.

Το χαρτί, Γενίκευση στην κβαντική μηχανική μάθηση από λίγα δεδομένα εκπαίδευσης, είναι των Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles και Cincio.

«Αυτό παρέχει νέα ελπίδα για την κβαντική μηχανική μάθηση», είπε. «Κλείνουμε το χάσμα μεταξύ αυτού που έχουμε σήμερα και αυτού που χρειάζεται για το κβαντικό πλεονέκτημα, όταν οι κβαντικοί υπολογιστές υπερτερούν των κλασσικών υπολογιστών».

Τα συστήματα τεχνητής νοημοσύνης χρειάζονται δεδομένα για να εκπαιδεύσουν τα νευρωνικά δίκτυα ώστε να αναγνωρίζουν — να γενικεύουν — αόρατα δεδομένα σε πραγματικές εφαρμογές. Είχε υποτεθεί ότι ο αριθμός των παραμέτρων ή των μεταβλητών θα καθοριζόταν από το μέγεθος μιας μαθηματικής κατασκευής που ονομάζεται χώρος Hilbert, ο οποίος γίνεται εκθετικά μεγάλος για εκπαίδευση σε μεγάλους αριθμούς qubits, είπε ο Los Alamos στην ανακοίνωσή του. Αυτό το μέγεθος κατέστησε αυτή την προσέγγιση σχεδόν αδύνατη υπολογιστικά.

«Η ανάγκη για μεγάλα σύνολα δεδομένων θα μπορούσε να ήταν εμπόδιο στην κβαντική τεχνητή νοημοσύνη, αλλά η δουλειά μας αφαιρεί αυτό το εμπόδιο. Ενώ άλλα ζητήματα για την κβαντική τεχνητή νοημοσύνη θα μπορούσαν ακόμα να υπάρχουν, τουλάχιστον τώρα γνωρίζουμε ότι το μέγεθος του συνόλου δεδομένων δεν αποτελεί πρόβλημα», δήλωσε ο Coles (T-4), κβαντικός θεωρητικός στο εργαστήριο και συν-συγγραφέας της εργασίας.

«Είναι δύσκολο να φανταστεί κανείς πόσο απέραντος είναι ο χώρος του Hilbert: ένας χώρος ενός δισεκατομμυρίου καταστάσεων, ακόμη και όταν έχεις μόνο 30 qubits», είπε ο Coles. «Η διαδικασία εκπαίδευσης για το κβαντικό AI συμβαίνει μέσα σε αυτόν τον τεράστιο χώρο. Μπορεί να πιστεύετε ότι η αναζήτηση σε αυτόν τον χώρο θα απαιτούσε ένα δισεκατομμύριο σημεία δεδομένων για να σας καθοδηγήσει. Ωστόσο, δείξαμε ότι χρειάζεστε μόνο τόσα σημεία δεδομένων όσα και ο αριθμός των παραμέτρων στο μοντέλο σας. Αυτός είναι συχνά περίπου ίσος με τον αριθμό των qubits — επομένως μόνο περίπου 30 σημεία δεδομένων», είπε ο Coles.

Μια βασική πτυχή των αποτελεσμάτων, είπε ο Cincio, είναι ότι παρέχουν εγγυήσεις απόδοσης ακόμη και για κλασικούς αλγόριθμους που προσομοιώνουν μοντέλα κβαντικής τεχνητής νοημοσύνης, έτσι τα δεδομένα εκπαίδευσης και η συλλογή συχνά μπορούν να χειριστούν σε έναν κλασικό υπολογιστή, κάτι που απλοποιεί τη διαδικασία. Στη συνέχεια, το μοντέλο που μαθαίνεται από μηχανή εκτελείται σε έναν κβαντικό υπολογιστή.

«Αυτό σημαίνει ότι μπορούμε να μειώσουμε την απαίτηση για την ποιότητα απόδοσης που χρειαζόμαστε από τον κβαντικό υπολογιστή, όσον αφορά το θόρυβο και τα σφάλματα, για να εκτελέσουμε ουσιαστικές κβαντικές προσομοιώσεις, οι οποίες ωθούν το κβαντικό πλεονέκτημα όλο και πιο κοντά στην πραγματικότητα», είπε ο Cincio.

Η επιτάχυνση που προκύπτει από τη νέα απόδειξη έχει δραματικές πρακτικές εφαρμογές. Η ομάδα ανακάλυψε ότι θα μπορούσε να εγγυηθεί ότι ένα κβαντικό μοντέλο μπορεί να μεταγλωττιστεί ή να προετοιμαστεί για επεξεργασία σε έναν κβαντικό υπολογιστή, σε πολύ λιγότερες υπολογιστικές πύλες, σε σχέση με την ποσότητα των δεδομένων. Η μεταγλώττιση, μια κρίσιμη εφαρμογή για τη βιομηχανία κβαντικών υπολογιστών, μπορεί να συρρικνώσει μια μεγάλη ακολουθία λειτουργικών πυλών ή να μετατρέψει την κβαντική δυναμική ενός συστήματος σε ακολουθία πύλης.

«Το θεώρημά μας θα οδηγήσει σε πολύ καλύτερα εργαλεία μεταγλώττισης για κβαντικούς υπολογιστές», είπε ο Cincio. «Ειδικά με τους σημερινούς θορυβώδεις, ενδιάμεσης κλίμακας κβαντικούς υπολογιστές, όπου κάθε πύλη μετράει, θέλετε να χρησιμοποιήσετε όσο το δυνατόν λιγότερες πύλες, ώστε να μην λαμβάνετε πολύ θόρυβο, που προκαλεί σφάλματα».

Η ομάδα έδειξε επίσης ότι ένα κβαντικό AI θα μπορούσε να ταξινομήσει κβαντικές καταστάσεις σε μια μετάβαση φάσης μετά από εκπαίδευση σε ένα πολύ μικρό σύνολο δεδομένων, είπε ο Los Alamos.

«Η ταξινόμηση των φάσεων της κβαντικής ύλης είναι σημαντική για την επιστήμη των υλικών και σχετίζεται με την αποστολή του Los Alamos», δήλωσε ο Andrew Sornborger (CCS-3), διευθυντής του Quantum Science Center στο Εργαστήριο και συν-συγγραφέας της εργασίας. «Αυτά τα υλικά είναι πολύπλοκα, έχουν πολλαπλές διακριτές φάσεις όπως υπεραγώγιμες και μαγνητικές φάσεις».

Η δημιουργία υλικών με επιθυμητά χαρακτηριστικά, όπως η υπεραγωγιμότητα, περιλαμβάνει την κατανόηση του διαγράμματος φάσεων, είπε ο Sornborger, το οποίο η ομάδα απέδειξε ότι θα μπορούσε να ανακαλυφθεί από ένα σύστημα μηχανικής μάθησης με ελάχιστη εκπαίδευση.

Άλλες πιθανές εφαρμογές του νέου θεωρήματος περιλαμβάνουν την εκμάθηση κβαντικών κωδικών διόρθωσης σφαλμάτων και κβαντικές δυναμικές προσομοιώσεις.

«Η αποτελεσματικότητα της νέας μεθόδου ξεπέρασε τις προσδοκίες μας», δήλωσε ο Marco Cerezo (CCS-3), ειδικός στο Los Alamos στην κβαντική μηχανική μάθηση. «Μπορούμε να συντάξουμε ορισμένες, πολύ μεγάλες κβαντικές λειτουργίες μέσα σε λίγα λεπτά με πολύ λίγα σημεία εκπαίδευσης – κάτι που δεν ήταν προηγουμένως δυνατό».

«Για πολύ καιρό, δεν μπορούσαμε να πιστέψουμε ότι η μέθοδος θα λειτουργούσε τόσο αποτελεσματικά», είπε ο Cincio. «Με τον μεταγλωττιστή, η αριθμητική μας ανάλυση δείχνει ότι είναι ακόμα καλύτερο από ό,τι μπορούμε να αποδείξουμε. Πρέπει να εκπαιδευτούμε μόνο σε έναν μικρό αριθμό κρατών από τα δισεκατομμύρια που είναι δυνατά. Δεν χρειάζεται να τσεκάρουμε όλες τις επιλογές, αλλά μόνο μερικές. Αυτό απλοποιεί τρομερά την εκπαίδευση».

Η χρηματοδότηση (μόνο συν-συγγραφείς του Los Alamos): Το έργο ASC Beyond Moore's Law στο Εθνικό Εργαστήριο του Λος Άλαμος. Γραφείο Επιστημών του Υπουργείου Ενέργειας των ΗΠΑ, Γραφείο Προηγμένης Επιστημονικής Έρευνας Υπολογιστικής Έρευνας Πρόγραμμα Ταχεία Έρευνα στον Κβαντικό Υπολογισμό. Εργαστηριακό πρόγραμμα Έρευνας και Ανάπτυξης στο Εθνικό Εργαστήριο του Λος Άλαμος. DOE Office of Science, National Quantum Information Science Research Centers, Quantum Science Center; και Υπουργείο Άμυνας.