لس آلاموس ادعا می کند پیشرفت یادگیری ماشین کوانتومی: آموزش با مقادیر اندک داده

محققان آزمایشگاه ملی لوس آلاموس امروز یک "اثبات" در یادگیری ماشین کوانتومی را اعلام کردند که می‌گویند نشان می‌دهد بارش شبکه عصبی کوانتومی تنها به مقدار کمی داده نیاز دارد، "فرض‌های قبلی ناشی از اشتهای عظیم محاسبات کلاسیک برای داده‌ها در یادگیری ماشین (در حال تغییر) یا هوش مصنوعی.»

این آزمایشگاه گفت این قضیه کاربردهای مستقیمی دارد، از جمله کامپایل کارآمدتر برای کامپیوترهای کوانتومی و تمایز مراحل ماده برای کشف مواد.

لوکاس سینسیو (T-4)، نظریه پرداز کوانتومی لوس آلاموس و یکی از نویسندگان مقاله حاوی این اثبات که در 23 اوت در مجله منتشر شد، گفت: بسیاری از مردم معتقدند که یادگیری ماشین کوانتومی به داده های زیادی نیاز دارد. طبیعت ارتباطات. ما به دقت نشان داده‌ایم که برای بسیاری از مشکلات مربوطه، اینطور نیست.

کاغذ، تعمیم در یادگیری ماشین کوانتومی از چند داده آموزشی، توسط Matthias C. Caro، Hsin-Yuan Huang، Cerezo، Kunal Sharma، Sornborger، Patrick Coles و Cincio است.

او گفت: "این امید جدیدی برای یادگیری ماشین کوانتومی ایجاد می کند." زمانی که رایانه‌های کوانتومی از رایانه‌های کلاسیک پیشی می‌گیرند، شکاف بین آنچه امروز داریم و آنچه برای مزیت کوانتومی لازم است را کم می‌کنیم.»

سیستم‌های هوش مصنوعی به داده‌هایی نیاز دارند تا شبکه‌های عصبی را آموزش دهند تا داده‌های دیده نشده را در برنامه‌های کاربردی واقعی تشخیص دهند - تعمیم دهند. لوس آلاموس در اعلامیه خود گفت که فرض بر این بود که تعداد پارامترها یا متغیرها با اندازه یک ساختار ریاضی به نام فضای هیلبرت تعیین می شود که برای آموزش در تعداد زیادی کیوبیت به طور تصاعدی بزرگ می شود. این اندازه این رویکرد را از نظر محاسباتی تقریباً غیرممکن کرد.

«نیاز به مجموعه داده‌های بزرگ می‌توانست مانعی برای هوش مصنوعی کوانتومی باشد، اما کار ما این مانع را برطرف می‌کند. کولز (T-4)، نظریه پرداز کوانتومی در آزمایشگاه و یکی از نویسندگان مقاله، گفت: در حالی که مسائل دیگری برای هوش مصنوعی کوانتومی هنوز ممکن است وجود داشته باشد، حداقل اکنون می دانیم که اندازه مجموعه داده ها مسئله ای نیست.

کولز گفت: «تصور این که فضای هیلبرت چقدر وسیع است سخت است: فضایی با یک میلیارد حالت حتی زمانی که شما فقط 30 کیوبیت دارید. «فرایند آموزش هوش مصنوعی کوانتومی در داخل این فضای وسیع اتفاق می افتد. ممکن است فکر کنید که جستجو در این فضا به یک میلیارد نقطه داده نیاز دارد تا شما را راهنمایی کند. اما ما نشان دادیم که شما فقط به تعداد پارامترهای مدل خود به نقاط داده نیاز دارید. کولز گفت که این اغلب تقریباً برابر با تعداد کیوبیت ها است - بنابراین فقط حدود 30 نقطه داده است.

به گفته سینسیو، یکی از جنبه‌های کلیدی نتایج این است که آنها تضمین‌های کارایی را حتی برای الگوریتم‌های کلاسیکی که مدل‌های هوش مصنوعی کوانتومی را شبیه‌سازی می‌کنند، ارائه می‌کنند، بنابراین داده‌های آموزشی و کامپایل اغلب می‌توانند روی یک کامپیوتر کلاسیک مدیریت شوند، که این فرآیند را ساده‌تر می‌کند. سپس مدل یادگیری ماشینی روی یک کامپیوتر کوانتومی اجرا می شود.

سینسیو می‌گوید: «این بدان معناست که ما می‌توانیم نیاز به کیفیت عملکردی را که از کامپیوتر کوانتومی نیاز داریم، با توجه به نویز و خطاها، برای انجام شبیه‌سازی‌های کوانتومی معنادار، که مزیت کوانتومی را به واقعیت نزدیک‌تر و نزدیک‌تر می‌کند، کاهش دهیم.»

افزایش سرعت حاصل از اثبات جدید کاربردهای عملی چشمگیری دارد. این تیم دریافتند که می‌توانند تضمین کنند که یک مدل کوانتومی را می‌توان برای پردازش روی یک کامپیوتر کوانتومی در دروازه‌های محاسباتی بسیار کمتری نسبت به مقدار داده آماده کرد. کامپایل، یک برنامه حیاتی برای صنعت محاسبات کوانتومی، می تواند یک توالی طولانی از گیت های عملیاتی را کوچک کند یا دینامیک کوانتومی یک سیستم را به دنباله دروازه تبدیل کند.

سینسیو گفت: «قضیه ما به ابزارهای کامپایل بسیار بهتری برای محاسبات کوانتومی منجر خواهد شد. به خصوص با کامپیوترهای کوانتومی پر سر و صدا و در مقیاس متوسط ​​امروزی که هر گیت مهم است، می‌خواهید تا حد امکان از گیت‌های کمتری استفاده کنید تا نویز زیادی را دریافت نکنید، که باعث خطا می‌شود.»

لوس آلاموس گفت، این تیم همچنین نشان داد که یک هوش مصنوعی کوانتومی می تواند حالت های کوانتومی را در یک انتقال فاز پس از آموزش بر روی یک مجموعه داده بسیار کوچک طبقه بندی کند.

اندرو سورنبورگر (CCS-3)، مدیر مرکز علوم کوانتومی در آزمایشگاه و یکی از نویسندگان مقاله، گفت: «طبقه‌بندی فازهای ماده کوانتومی برای علم مواد مهم است و با مأموریت لوس آلاموس مرتبط است. این مواد پیچیده هستند و دارای چندین فاز مجزا مانند فازهای ابررسانا و مغناطیسی هستند.

سورنبورگر گفت که ایجاد موادی با ویژگی‌های دلخواه، مانند ابررسانایی، مستلزم درک نمودار فاز است، که تیم ثابت کرد می‌تواند توسط یک سیستم یادگیری ماشینی با حداقل آموزش کشف شود.

دیگر کاربردهای بالقوه قضیه جدید شامل یادگیری کدهای تصحیح خطای کوانتومی و شبیه سازی دینامیکی کوانتومی است.

مارکو سرزو (CCS-3)، متخصص لس آلاموس در یادگیری ماشین کوانتومی، گفت: کارایی روش جدید فراتر از انتظارات ما بود. ما می‌توانیم عملیات کوانتومی معین و بسیار بزرگ را در عرض چند دقیقه با نقاط آموزشی بسیار کمی گردآوری کنیم – چیزی که قبلاً ممکن نبود.»

سینسیو گفت: "برای مدت طولانی، ما نمی توانستیم باور کنیم که این روش تا این حد کارآمد عمل کند." با کامپایلر، تجزیه و تحلیل عددی ما نشان می‌دهد که حتی بهتر از آن چیزی است که بتوانیم ثابت کنیم. ما فقط باید در تعداد کمی از ایالت ها از میلیاردها امکان آموزش ببینیم. لازم نیست همه گزینه ها را بررسی کنیم، بلکه فقط چند گزینه را بررسی کنیم. این امر آموزش را بسیار ساده می کند.»

بودجه (فقط نویسندگان مشترک لوس آلاموس): پروژه قانون ASC Beyond Moore در آزمایشگاه ملی لوس آلاموس. دفتر علوم وزارت انرژی ایالات متحده، دفتر تحقیقات محاسبات علمی پیشرفته تحقیقات تسریع شده در برنامه محاسبات کوانتومی. برنامه تحقیق و توسعه تحت هدایت آزمایشگاهی در آزمایشگاه ملی لوس آلاموس؛ دفتر علوم DOE، مراکز ملی تحقیقات علوم اطلاعات کوانتومی، مرکز علوم کوانتومی؛ و وزارت دفاع