Los Alamos revendique une percée en matière d'apprentissage automatique quantique : formation avec de petites quantités de données

Des chercheurs du Laboratoire national de Los Alamos ont annoncé aujourd'hui une « preuve » en matière d'apprentissage automatique quantique qui, selon eux, montre que faire pleuvoir un réseau neuronal quantique ne nécessite qu'une petite quantité de données, « (renversant) les hypothèses précédentes découlant de l'énorme appétit de l'informatique classique pour les données dans l'apprentissage automatique. , ou intelligence artificielle.

Le laboratoire a déclaré que le théorème avait des applications directes, notamment une compilation plus efficace pour les ordinateurs quantiques et la distinction des phases de la matière pour la découverte de matériaux.

"Beaucoup de gens pensent que l'apprentissage automatique quantique nécessitera beaucoup de données", a déclaré Lukasz Cincio (T-4), théoricien quantique de Los Alamos et co-auteur de l'article contenant la preuve publiée le 23 août dans la revue. Communications Nature. « Nous avons rigoureusement montré que pour de nombreux problèmes pertinents, ce n'est pas le cas.

Le papier, Généralisation en apprentissage automatique quantique à partir de quelques données d'entraînement, est de Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles et Cincio.

"Cela offre un nouvel espoir pour l'apprentissage automatique quantique", a-t-il déclaré. "Nous comblons l'écart entre ce que nous avons aujourd'hui et ce qui est nécessaire pour l'avantage quantique, lorsque les ordinateurs quantiques surpassent les ordinateurs classiques."

Les systèmes d'IA ont besoin de données pour former les réseaux de neurones à reconnaître - généraliser - des données invisibles dans des applications réelles. On avait supposé que le nombre de paramètres, ou variables, serait déterminé par la taille d'une construction mathématique appelée espace de Hilbert, qui devient exponentiellement grande pour l'entraînement sur un grand nombre de qubits, a déclaré Los Alamos dans son annonce. Cette taille a rendu cette approche presque impossible sur le plan informatique.

"Le besoin de grands ensembles de données aurait pu être un obstacle à l'IA quantique, mais notre travail supprime cet obstacle. Bien que d'autres problèmes pour l'IA quantique puissent encore exister, au moins maintenant nous savons que la taille de l'ensemble de données n'est pas un problème », a déclaré Coles (T-4), théoricien quantique au laboratoire et co-auteur de l'article.

"Il est difficile d'imaginer à quel point l'espace de Hilbert est vaste : un espace d'un milliard d'états même lorsque vous n'avez que 30 qubits", a déclaré Coles. "Le processus de formation à l'IA quantique se déroule à l'intérieur de ce vaste espace. Vous pourriez penser que la recherche dans cet espace nécessiterait un milliard de points de données pour vous guider. Mais nous avons montré que vous n'aviez besoin que d'autant de points de données que de paramètres dans votre modèle. C'est souvent à peu près égal au nombre de qubits - donc seulement environ 30 points de données », a déclaré Coles.

Un aspect clé des résultats, a déclaré Cincio, est qu'ils offrent des garanties d'efficacité même pour les algorithmes classiques qui simulent des modèles d'IA quantique, de sorte que les données de formation et la compilation peuvent souvent être traitées sur un ordinateur classique, ce qui simplifie le processus. Ensuite, le modèle appris par machine s'exécute sur un ordinateur quantique.

"Cela signifie que nous pouvons réduire l'exigence de qualité de performance dont nous avons besoin de l'ordinateur quantique, en ce qui concerne le bruit et les erreurs, pour effectuer des simulations quantiques significatives, ce qui rapproche de plus en plus l'avantage quantique de la réalité", a déclaré Cincio.

L'accélération résultant de la nouvelle preuve a des applications pratiques spectaculaires. L'équipe a découvert qu'elle pouvait garantir qu'un modèle quantique peut être compilé ou préparé pour être traité sur un ordinateur quantique, en beaucoup moins de portes de calcul, par rapport à la quantité de données. La compilation, une application cruciale pour l'industrie de l'informatique quantique, peut réduire une longue séquence de portes opérationnelles ou transformer la dynamique quantique d'un système en une séquence de portes.

"Notre théorème conduira à de bien meilleurs outils de compilation pour l'informatique quantique", a déclaré Cincio. "Surtout avec les ordinateurs quantiques bruyants à échelle intermédiaire d'aujourd'hui où chaque porte compte, vous voulez utiliser le moins de portes possible afin de ne pas capter trop de bruit, ce qui provoque des erreurs."

L'équipe a également montré qu'une IA quantique pouvait classer les états quantiques à travers une transition de phase après une formation sur un très petit ensemble de données, a déclaré Los Alamos.

"La classification des phases de la matière quantique est importante pour la science des matériaux et pertinente pour la mission de Los Alamos", a déclaré Andrew Sornborger (CCS-3), directeur du Quantum Science Center du Laboratoire et co-auteur de l'article. "Ces matériaux sont complexes, ayant plusieurs phases distinctes comme les phases supraconductrices et magnétiques."

La création de matériaux avec les caractéristiques souhaitées, telles que la supraconductivité, implique la compréhension du diagramme de phase, a déclaré Sornborger, dont l'équipe a prouvé qu'il pouvait être découvert par un système d'apprentissage automatique avec une formation minimale.

D'autres applications potentielles du nouveau théorème comprennent l'apprentissage de codes de correction d'erreurs quantiques et de simulations dynamiques quantiques.

"L'efficacité de la nouvelle méthode a dépassé nos attentes", a déclaré Marco Cerezo (CCS-3), un expert de Los Alamos en apprentissage automatique quantique. "Nous pouvons compiler certaines très grandes opérations quantiques en quelques minutes avec très peu de points d'entraînement, ce qui n'était pas possible auparavant."

"Pendant longtemps, nous ne pouvions pas croire que la méthode fonctionnerait aussi efficacement", a déclaré Cincio. « Avec le compilateur, notre analyse numérique montre que c'est encore mieux que ce que nous pouvons prouver. Nous n'avons qu'à nous entraîner sur un petit nombre d'états sur les milliards qui sont possibles. Nous n'avons pas à vérifier toutes les options, mais seulement quelques-unes. Cela simplifie énormément la formation.

Le financement (co-auteurs de Los Alamos uniquement) : projet ASC Beyond Moore's Law au Los Alamos National Laboratory ; Bureau des sciences du Département de l'énergie des États-Unis, programme de recherche accélérée du Bureau de la recherche scientifique avancée en informatique quantique ; Programme de recherche et de développement dirigés en laboratoire au Laboratoire national de Los Alamos ; Bureau des sciences du DOE, Centres nationaux de recherche en sciences de l'information quantique, Centre des sciences quantiques ; et ministère de la Défense.