Los Alamos väittää kvanttikoneoppimisen läpimurron: koulutusta pienillä tietomäärillä

Los Alamos National Laboratoryn tutkijat ilmoittivat tänään kvanttikoneoppimisen "todisteen", jonka he sanovat osoittavan, että kvanttihermoverkko vaatii vain pienen määrän dataa. tai tekoälyä."

Laboratorio sanoi, että lauseella on suoria sovelluksia, mukaan lukien tehokkaampi kääntäminen kvanttitietokoneille ja aineen vaiheiden erottaminen materiaalien löytämiseksi.

"Monet ihmiset uskovat, että kvanttikoneoppiminen vaatii paljon dataa", sanoi Lukasz Cincio (T-4), Los Alamosin kvanttiteoreetikko ja 23. elokuuta lehdessä julkaistun todisteen sisältävän paperin toinen kirjoittaja. Luonto Viestintä. "Olemme tiukasti osoittaneet, että monien olennaisten ongelmien kohdalla näin ei ole.

Paperi, Yleistys kvanttikoneoppimisessa harvoista koulutustiedoista, on Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles ja Cincio.

"Tämä antaa uutta toivoa kvanttikoneoppimiselle", hän sanoi. "Tulemme umpeen kuilua sen välillä, mitä meillä on tänään ja mitä tarvitaan kvanttiedun saavuttamiseen, kun kvanttitietokoneet ovat tehokkaampia kuin klassiset tietokoneet."

Tekoälyjärjestelmät tarvitsevat dataa kouluttaakseen hermoverkkoja tunnistamaan – yleistämään – näkymätöntä dataa todellisissa sovelluksissa. Oli oletettu, että parametrien tai muuttujien lukumäärä määräytyisi matemaattisen rakenteen, jota kutsutaan Hilbert-avaruudeksi, koosta, joka kasvaa eksponentiaalisesti suuren kubittimäärän harjoittamiseksi, Los Alamos sanoi ilmoituksessaan. Tämä koko teki tämän lähestymistavan lähes mahdottomaksi laskennallisesti.

"Suurten tietojoukkojen tarve olisi voinut olla este kvantti tekoälylle, mutta työmme poistaa tämän esteen. Vaikka muita kvantti tekoälyyn liittyviä ongelmia saattaa edelleen olla, ainakin nyt tiedämme, että tietojoukon koko ei ole ongelma", sanoi Coles (T-4), laboratorion kvanttiteoreetikko ja artikkelin toinen kirjoittaja.

"On vaikea kuvitella, kuinka laaja Hilbert-avaruus on: miljardin tilan avaruus, vaikka sinulla on vain 30 kubittia", Coles sanoi. "Kvanttiälyn harjoittelu tapahtuu tässä valtavassa tilassa. Saatat ajatella, että tämän tilan etsiminen vaatisi miljardin tietopisteen ohjaamiseen. Mutta osoitimme, että tarvitset vain niin monta datapistettä kuin mallisi parametrien määrä. Se on usein suurin piirtein yhtä suuri kuin kubittien lukumäärä - eli vain noin 30 datapistettä", Coles sanoi.

Yksi tulosten keskeinen näkökohta Cincion mukaan on, että ne antavat tehokkuustakuita jopa klassisille kvanttiAI-malleja simuloiville algoritmeille, joten harjoitustiedot ja kokoaminen voidaan usein käsitellä klassisella tietokoneella, mikä yksinkertaistaa prosessia. Sitten koneoppittu malli toimii kvanttitietokoneella.

"Tämä tarkoittaa, että voimme alentaa vaatimusta suorituskyvystä, jota tarvitsemme kvanttitietokoneelta kohinan ja virheiden suhteen, jotta voimme suorittaa merkityksellisiä kvanttisimulaatioita, mikä työntää kvanttiedun lähemmäs todellisuutta", Cincio sanoi.

Uuden todistuksen aiheuttamalla nopeudella on dramaattisia käytännön sovelluksia. Ryhmä havaitsi, että he voisivat taata, että kvanttimalli voidaan koota tai valmistella prosessoitavaksi kvanttitietokoneella paljon harvemmilla laskentaporteilla verrattuna datan määrään. Kvanttilaskenta-alalla tärkeä sovellus kääntäminen voi kutistaa pitkän toimintaporttien sarjan tai muuttaa järjestelmän kvanttidynamiikan porttisekvenssiksi.

"Lauseemme johtaa paljon parempiin käännöstyökaluihin kvanttilaskentaan", Cincio sanoi. "Varsinkin nykypäivän meluisissa, keskikokoisissa kvanttitietokoneissa, joissa jokainen portti on tärkeä, halutaan käyttää mahdollisimman vähän portteja, jotta et poimi liikaa kohinaa, mikä aiheuttaa virheitä."

Tiimi osoitti myös, että kvantti tekoäly pystyi luokittelemaan kvanttitilat vaihesiirtymän aikana harjoitettuaan hyvin pienellä tietojoukolla, Los Alamos sanoi.

"Kvanttiaineen vaiheiden luokittelu on tärkeää materiaalitieteen kannalta ja merkityksellistä Los Alamosin tehtävän kannalta", sanoi Andrew Sornborger (CCS-3), laboratorion kvanttitiedekeskuksen johtaja ja paperin toinen kirjoittaja. "Nämä materiaalit ovat monimutkaisia, ja niissä on useita erillisiä vaiheita, kuten suprajohtavia ja magneettisia vaiheita."

Haluttujen ominaisuuksien, kuten suprajohtavuuden, materiaalien luominen edellyttää vaihekaavion ymmärtämistä, Sornborger sanoi, että tiimi osoitti, että se voidaan löytää koneoppimisjärjestelmällä minimaalisella koulutuksella.

Muita uuden lauseen mahdollisia sovelluksia ovat kvanttivirheenkorjauskoodien oppiminen ja kvanttidynaamiset simulaatiot.

"Uuden menetelmän tehokkuus ylitti odotuksemme", sanoi Marco Cerezo (CCS-3), Los Alamosin kvanttikoneoppimisen asiantuntija. "Voimme koota tiettyjä, erittäin suuria kvanttioperaatioita muutamassa minuutissa hyvin harvoilla harjoituspisteillä - mikä ei ollut aiemmin mahdollista."

"Emme voineet pitkään aikaan uskoa, että menetelmä toimisi niin tehokkaasti", Cincio sanoi. ”Kääntäjän numeerinen analyysimme osoittaa, että se on jopa parempi kuin voimme todistaa. Meidän on harjoitettava vain muutamissa osavaltioissa niistä miljardeista, jotka ovat mahdollisia. Meidän ei tarvitse tarkistaa kaikkia vaihtoehtoja, vaan vain muutamia. Tämä yksinkertaistaa koulutusta valtavasti."

Rahoitus (vain Los Alamosin mukana kirjoittajat): ASC Beyond Moore's Law -projekti Los Alamos National Laboratoryssa; US Department of Energy Office of Science, Office of Advanced Scientific Computing Research Accelerated Research in Quantum Computing -ohjelma; Laboratorioohjattu tutkimus- ja kehitysohjelma Los Alamos National Laboratoryssa; DOE:n tiedetoimisto, kansalliset kvanttitietotieteen tutkimuskeskukset, kvanttitiedekeskus; ja puolustusministeriö.