लॉस एलामोस ने क्वांटम मशीन लर्निंग ब्रेकथ्रू का दावा किया: डेटा की छोटी मात्रा के साथ प्रशिक्षण

लॉस एलामोस नेशनल लेबोरेटरी के शोधकर्ताओं ने आज क्वांटम मशीन लर्निंग में "प्रूफ" की घोषणा की, वे कहते हैं कि क्वांटम न्यूरल नेटवर्क को बारिश करने के लिए केवल थोड़ी मात्रा में डेटा की आवश्यकता होती है, "(ऊपर) पिछली धारणाएं मशीन लर्निंग में डेटा के लिए शास्त्रीय कंप्यूटिंग की विशाल भूख से उपजी हैं। , या कृत्रिम बुद्धि। ”

प्रयोगशाला ने कहा कि प्रमेय में प्रत्यक्ष अनुप्रयोग हैं, जिसमें क्वांटम कंप्यूटरों के लिए अधिक कुशल संकलन और सामग्री की खोज के लिए पदार्थ के विशिष्ट चरण शामिल हैं।

"बहुत से लोग मानते हैं कि क्वांटम मशीन लर्निंग के लिए बहुत अधिक डेटा की आवश्यकता होगी," लॉस एलामोस क्वांटम सिद्धांतकार और पेपर के सह-लेखक लुकाज़ सिनसिओ (टी -4) ने कहा, जिसमें 23 अगस्त को जर्नल में प्रकाशित सबूत शामिल हैं। संचार प्रकृति. "हमने सख्ती से दिखाया है कि कई प्रासंगिक समस्याओं के लिए, यह मामला नहीं है।

कागज़, कुछ प्रशिक्षण डेटा से क्वांटम मशीन सीखने में सामान्यीकरण, मैथियास सी. कारो, सीन-युआन हुआंग, सेरेज़ो, कुणाल शर्मा, सोर्नबोर्गर, पैट्रिक कोल्स और सिनसिओ द्वारा है।

"यह क्वांटम मशीन सीखने के लिए नई आशा प्रदान करता है," उन्होंने कहा। "हम आज जो कुछ भी है और क्वांटम लाभ के लिए क्या आवश्यक है, के बीच की खाई को बंद कर रहे हैं, जब क्वांटम कंप्यूटर शास्त्रीय कंप्यूटरों से बेहतर प्रदर्शन करते हैं।"

एआई सिस्टम को वास्तविक अनुप्रयोगों में अनदेखी डेटा को पहचानने-सामान्यीकृत करने के लिए तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए डेटा की आवश्यकता होती है। लॉस एलामोस ने अपनी घोषणा में कहा कि यह मान लिया गया था कि मापदंडों, या चरों की संख्या, हिल्बर्ट स्पेस नामक गणितीय निर्माण के आकार से निर्धारित की जाएगी, जो बड़ी संख्या में क्वैबिट्स पर प्रशिक्षण के लिए तेजी से बड़ी हो जाती है। उस आकार ने इस दृष्टिकोण को कम्प्यूटेशनल रूप से लगभग असंभव बना दिया।

"बड़े डेटा सेट की आवश्यकता क्वांटम एआई के लिए एक रोडब्लॉक हो सकती है, लेकिन हमारा काम इस रोडब्लॉक को हटा देता है। जबकि क्वांटम एआई के लिए अन्य मुद्दे अभी भी मौजूद हो सकते हैं, कम से कम अब हम जानते हैं कि डेटा सेट का आकार कोई मुद्दा नहीं है, "कोल्स (टी -4) ने कहा, प्रयोगशाला में क्वांटम सिद्धांतकार और पेपर के सह-लेखक।

"यह कल्पना करना कठिन है कि हिल्बर्ट अंतरिक्ष कितना विशाल है: एक अरब राज्यों का एक स्थान, भले ही आपके पास केवल 30 क्विट हों," कोल्स ने कहा। "क्वांटम एआई के लिए प्रशिक्षण प्रक्रिया इस विशाल स्थान के अंदर होती है। आप सोच सकते हैं कि इस स्थान के माध्यम से खोज करने के लिए आपका मार्गदर्शन करने के लिए एक अरब डेटा बिंदुओं की आवश्यकता होगी। लेकिन हमने दिखाया कि आपको केवल उतने ही डेटा बिंदुओं की आवश्यकता है, जितने आपके मॉडल में पैरामीटर की संख्या है। यह अक्सर लगभग क्वबिट्स की संख्या के बराबर होता है - इसलिए केवल 30 डेटा पॉइंट्स के बारे में," कोल्स ने कहा।

परिणामों का एक प्रमुख पहलू, सिनसियो ने कहा, यह है कि वे क्वांटम एआई मॉडल का अनुकरण करने वाले शास्त्रीय एल्गोरिदम के लिए भी दक्षता की गारंटी देते हैं, इसलिए प्रशिक्षण डेटा और संकलन को अक्सर एक शास्त्रीय कंप्यूटर पर नियंत्रित किया जा सकता है, जो प्रक्रिया को सरल करता है। फिर मशीन से सीखा मॉडल क्वांटम कंप्यूटर पर चलता है।

"इसका मतलब है कि हम क्वांटम कंप्यूटर से आवश्यक प्रदर्शन गुणवत्ता की आवश्यकता को कम कर सकते हैं, शोर और त्रुटियों के संबंध में, सार्थक क्वांटम सिमुलेशन करने के लिए, जो क्वांटम लाभ को वास्तविकता के करीब और करीब धकेलता है," सिनसीओ ने कहा।

नए सबूत से उत्पन्न गति में नाटकीय व्यावहारिक अनुप्रयोग हैं। टीम ने पाया कि वे गारंटी दे सकते हैं कि क्वांटम मॉडल को डेटा की मात्रा के सापेक्ष, बहुत कम कम्प्यूटेशनल गेट्स में, क्वांटम कंप्यूटर पर प्रसंस्करण के लिए संकलित या तैयार किया जा सकता है। संकलन, क्वांटम कंप्यूटिंग उद्योग के लिए एक महत्वपूर्ण अनुप्रयोग, परिचालन फाटकों के एक लंबे अनुक्रम को छोटा कर सकता है या सिस्टम की क्वांटम गतिशीलता को गेट अनुक्रम में बदल सकता है।

"हमारे प्रमेय क्वांटम कंप्यूटिंग के लिए बेहतर संकलन उपकरण का नेतृत्व करेंगे," सिनसीओ ने कहा। "विशेष रूप से आज के शोर, मध्यवर्ती पैमाने के क्वांटम कंप्यूटरों के साथ जहां हर गेट मायने रखता है, आप जितना संभव हो उतना कम गेट्स का उपयोग करना चाहते हैं ताकि आप बहुत अधिक शोर न उठाएं, जो त्रुटियों का कारण बनता है।"

टीम ने यह भी दिखाया कि क्वांटम एआई बहुत छोटे डेटा सेट पर प्रशिक्षण के बाद एक चरण संक्रमण में क्वांटम राज्यों को वर्गीकृत कर सकता है, लॉस एलामोस ने कहा।

प्रयोगशाला में क्वांटम साइंस सेंटर के निदेशक और पेपर के सह-लेखक एंड्रयू सोर्नबोर्गर (सीसीएस -3) ने कहा, "क्वांटम पदार्थ के चरणों को वर्गीकृत करना सामग्री विज्ञान के लिए महत्वपूर्ण है और लॉस एलामोस के मिशन के लिए प्रासंगिक है।" "ये सामग्रियां जटिल हैं, जिनमें सुपरकंडक्टिंग और चुंबकीय चरण जैसे कई अलग-अलग चरण हैं।"

वांछित लक्षणों के साथ सामग्री बनाना, जैसे कि सुपरकंडक्टिविटी, चरण आरेख को समझना शामिल है, सोर्नबोर्गर ने कहा, जिसे टीम ने साबित किया कि न्यूनतम प्रशिक्षण के साथ मशीन-लर्निंग सिस्टम द्वारा खोजा जा सकता है।

नए प्रमेय के अन्य संभावित अनुप्रयोगों में क्वांटम त्रुटि सुधार कोड और क्वांटम डायनेमिक सिमुलेशन सीखना शामिल है।

क्वांटम मशीन लर्निंग में लॉस एलामोस विशेषज्ञ मार्को सेरेज़ो (सीसीएस -3) ने कहा, "नई विधि की दक्षता हमारी अपेक्षाओं से अधिक है।" "हम बहुत कम प्रशिक्षण बिंदुओं के साथ कुछ, बहुत बड़े क्वांटम संचालन को मिनटों में संकलित कर सकते हैं - ऐसा कुछ जो पहले संभव नहीं था।"

"लंबे समय तक, हम विश्वास नहीं कर सके कि विधि इतनी कुशलता से काम करेगी," सिनसीओ ने कहा। "कंपाइलर के साथ, हमारे संख्यात्मक विश्लेषण से पता चलता है कि यह साबित करने से भी बेहतर है। हमें केवल अरबों में से कुछ ही राज्यों में प्रशिक्षण देना है जो संभव हैं। हमें हर विकल्प की जाँच करने की ज़रूरत नहीं है, लेकिन केवल कुछ ही। यह प्रशिक्षण को बहुत सरल करता है। ”

फंडिंग (केवल लॉस एलामोस के सह-लेखक): लॉस एलामोस नेशनल लेबोरेटरी में एएससी बियॉन्ड मूर्स लॉ प्रोजेक्ट; यूएस डिपार्टमेंट ऑफ एनर्जी ऑफिस ऑफ साइंस, ऑफिस ऑफ एडवांस्ड साइंटिफिक कंप्यूटिंग रिसर्च क्वांटम कंप्यूटिंग प्रोग्राम में त्वरित अनुसंधान; लॉस एलामोस नेशनल लेबोरेटरी में प्रयोगशाला निर्देशित अनुसंधान और विकास कार्यक्रम; विज्ञान के डीओई कार्यालय, राष्ट्रीय क्वांटम सूचना विज्ञान अनुसंधान केंद्र, क्वांटम विज्ञान केंद्र; और रक्षा विभाग।