Los Álamos reclama un gran avance en el aprendizaje automático cuántico: capacitación con pequeñas cantidades de datos

Investigadores del Laboratorio Nacional de Los Álamos anunciaron hoy una "prueba" en el aprendizaje cuántico de máquinas que, según dicen, muestra que hacer llover una red neuronal cuántica requiere solo una pequeña cantidad de datos, "(volcando) suposiciones anteriores derivadas del enorme apetito de datos de la computación clásica en el aprendizaje automático". , o inteligencia artificial.”

El laboratorio dijo que el teorema tiene aplicaciones directas, incluida una compilación más eficiente para computadoras cuánticas y la distinción de fases de la materia para el descubrimiento de materiales.

“Muchas personas creen que el aprendizaje automático cuántico requerirá una gran cantidad de datos”, dijo Lukasz Cincio (T-4), un teórico cuántico de Los Álamos y coautor del artículo que contiene la prueba, publicado el 23 de agosto en la revista. Nature Communications. “Hemos demostrado rigurosamente que para muchos problemas relevantes, este no es el caso.

El papel, Generalización en aprendizaje automático cuántico a partir de pocos datos de entrenamiento, es de Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles y Cincio.

“Esto proporciona una nueva esperanza para el aprendizaje automático cuántico”, dijo. “Estamos cerrando la brecha entre lo que tenemos hoy y lo que se necesita para la ventaja cuántica, cuando las computadoras cuánticas superen a las computadoras clásicas”.

Los sistemas de IA necesitan datos para entrenar las redes neuronales para que reconozcan (generalicen) datos invisibles en aplicaciones reales. Se había asumido que la cantidad de parámetros, o variables, estaría determinada por el tamaño de una construcción matemática llamada espacio de Hilbert, que se vuelve exponencialmente grande para el entrenamiento sobre una gran cantidad de qubits, dijo Los Alamos en su anuncio. Ese tamaño hizo que este enfoque fuera casi imposible computacionalmente.

“La necesidad de grandes conjuntos de datos podría haber sido un obstáculo para la IA cuántica, pero nuestro trabajo elimina este obstáculo. Si bien aún podrían existir otros problemas para la IA cuántica, al menos ahora sabemos que el tamaño del conjunto de datos no es un problema”, dijo Coles (T-4), teórico cuántico en el laboratorio y coautor del artículo.

“Es difícil imaginar cuán vasto es el espacio de Hilbert: un espacio de mil millones de estados, incluso cuando solo tienes 30 qubits”, dijo Coles. “El proceso de entrenamiento para la IA cuántica ocurre dentro de este vasto espacio. Puede pensar que buscar en este espacio requeriría mil millones de puntos de datos para guiarlo. Pero le mostramos que solo necesita tantos puntos de datos como la cantidad de parámetros en su modelo. Eso suele ser aproximadamente igual a la cantidad de qubits, por lo que solo unos 30 puntos de datos”, dijo Coles.

Un aspecto clave de los resultados, dijo Cincio, es que brindan garantías de eficiencia incluso para algoritmos clásicos que simulan modelos cuánticos de IA, por lo que los datos de entrenamiento y la compilación a menudo se pueden manejar en una computadora clásica, lo que simplifica el proceso. Luego, el modelo de aprendizaje automático se ejecuta en una computadora cuántica.

“Eso significa que podemos reducir el requisito de la calidad de rendimiento que necesitamos de la computadora cuántica, con respecto al ruido y los errores, para realizar simulaciones cuánticas significativas, lo que acerca cada vez más la ventaja cuántica a la realidad”, dijo Cincio.

La aceleración resultante de la nueva prueba tiene aplicaciones prácticas dramáticas. El equipo descubrió que podían garantizar que un modelo cuántico se puede compilar o preparar para su procesamiento en una computadora cuántica, en muchas menos puertas computacionales, en relación con la cantidad de datos. La compilación, una aplicación crucial para la industria de la computación cuántica, puede reducir una larga secuencia de puertas operativas o convertir la dinámica cuántica de un sistema en una secuencia de puertas.

“Nuestro teorema conducirá a herramientas de compilación mucho mejores para la computación cuántica”, dijo Cincio. "Especialmente con las ruidosas computadoras cuánticas de escala intermedia de hoy en día, donde cada puerta cuenta, desea usar la menor cantidad de puertas posible para no captar demasiado ruido, lo que provoca errores".

El equipo también demostró que una IA cuántica podría clasificar estados cuánticos a lo largo de una transición de fase después del entrenamiento en un conjunto de datos muy pequeño, dijo Los Alamos.

“Clasificar las fases de la materia cuántica es importante para la ciencia de los materiales y relevante para la misión de Los Álamos”, dijo Andrew Sornborger (CCS-3), director del Centro de Ciencias Cuánticas en el Laboratorio y coautor del artículo. "Estos materiales son complejos y tienen múltiples fases distintas, como superconductoras y magnéticas".

La creación de materiales con las características deseadas, como la superconductividad, implica comprender el diagrama de fase, dijo Sornborger, que el equipo demostró que podría descubrirse mediante un sistema de aprendizaje automático con una capacitación mínima.

Otras posibles aplicaciones del nuevo teorema incluyen el aprendizaje de códigos de corrección de errores cuánticos y simulaciones dinámicas cuánticas.

“La eficiencia del nuevo método superó nuestras expectativas”, dijo Marco Cerezo (CCS-3), un experto en aprendizaje automático cuántico de Los Álamos. "Podemos compilar ciertas operaciones cuánticas muy grandes en minutos con muy pocos puntos de entrenamiento, algo que antes no era posible".

“Durante mucho tiempo, no podíamos creer que el método funcionaría tan eficientemente”, dijo Cincio. “Con el compilador, nuestro análisis numérico muestra que es incluso mejor de lo que podemos probar. Solo tenemos que entrenar en un pequeño número de estados de miles de millones que son posibles. No tenemos que marcar todas las opciones, sino solo algunas. Esto simplifica enormemente el entrenamiento”.

La financiación (solo coautores de Los Alamos): proyecto ASC Beyond Moore's Law en el Laboratorio Nacional de Los Alamos; Departamento de Energía de los EE. UU. Oficina de Ciencias, Oficina de Investigación Científica Avanzada en Computación Programa de Investigación Acelerada en Computación Cuántica; Programa de Investigación y Desarrollo Dirigido por Laboratorio en el Laboratorio Nacional de Los Álamos; Oficina de Ciencias del DOE, Centros Nacionales de Investigación de Ciencias de la Información Cuántica, Centro de Ciencias Cuánticas; y Departamento de Defensa.