Los Alamos azt állítja, hogy a kvantumgépi tanulás áttörése: képzés kis mennyiségű adattal

A Los Alamos National Laboratory kutatói ma bejelentették a kvantumgépi tanulásra vonatkozó „bizonyítékot”, amely szerintük azt mutatja, hogy egy kvantumneurális hálózathoz csak kis mennyiségű adat szükséges. , vagy mesterséges intelligencia.”

A laboratórium azt mondta, hogy a tételnek közvetlen alkalmazásai vannak, beleértve a kvantumszámítógépek hatékonyabb fordítását és az anyagfázisok megkülönböztetését az anyagok felfedezéséhez.

„Sokan úgy gondolják, hogy a kvantumgépi tanuláshoz sok adatra lesz szükség” – mondta Lukasz Cincio (T-4), Los Alamos kvantumelmélete és a bizonyítékot tartalmazó tanulmány társszerzője, amely augusztus 23-án jelent meg a folyóiratban. Nature Communications. „Szigorúan megmutattuk, hogy sok releváns probléma esetében ez nem így van.

A papír, Általánosítás a kvantumgépi tanulásban kevés képzési adatból, szerző: Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles és Cincio.

"Ez új reményt ad a kvantumgépi tanulásnak" - mondta. „Bezárjuk a szakadékot a mai tudásunk és a kvantumelőnyhöz szükséges dolgok között, amikor a kvantumszámítógépek felülmúlják a klasszikus számítógépeket.”

Az AI-rendszereknek adatokra van szükségük ahhoz, hogy megtanítsák a neurális hálózatokat, hogy felismerjék – általánosíthassák – a nem látható adatokat a valós alkalmazásokban. Azt feltételezték, hogy a paraméterek vagy változók számát a Hilbert-térnek nevezett matematikai konstrukció mérete határozza meg, amely exponenciálisan nagy lesz a nagyszámú qubit feletti képzéshez – mondta Los Alamos közleményében. Ez a méret számításilag szinte lehetetlenné tette ezt a megközelítést.

„A nagy adatkészletek szükségessége akadályozhatta volna a kvantum-AI-t, de munkánk megszünteti ezt az akadályt. Bár a kvantum mesterséges intelligencia egyéb problémái továbbra is fennállhatnak, legalább most már tudjuk, hogy az adathalmaz mérete nem probléma” – mondta Coles (T-4), a laboratórium kvantumelmélete és a tanulmány társszerzője.

„Nehéz elképzelni, milyen hatalmas a Hilbert-tér: egymilliárd állapotú tér akkor is, ha csak 30 qubittel rendelkezünk” – mondta Coles. „A kvantum AI képzési folyamata ebben a hatalmas térben történik. Azt gondolhatja, hogy ezen a téren való kereséshez milliárdnyi adatpontra van szükség ahhoz, hogy eligazodjon. De megmutattuk, hogy csak annyi adatpontra van szükség, ahány paraméter van a modellben. Ez gyakran nagyjából megegyezik a qubitek számával – tehát csak körülbelül 30 adatpont” – mondta Coles.

Az eredmények egyik kulcsfontosságú szempontja Cincio szerint, hogy még a kvantum AI modelleket szimuláló klasszikus algoritmusok esetében is hatékonysági garanciákat adnak, így a betanítási adatok és az összeállítás gyakran klasszikus számítógépen is kezelhető, ami leegyszerűsíti a folyamatot. Ezután a gépi tanult modell kvantumszámítógépen fut.

"Ez azt jelenti, hogy csökkenthetjük a kvantumszámítógép teljesítményének minőségi követelményeit a zaj és a hibák tekintetében, hogy értelmes kvantumszimulációkat hajtsunk végre, ami a kvantumelőnyt egyre közelebb viszi a valósághoz" - mondta Cincio.

Az új bizonyításból adódó gyorsulásnak drámai gyakorlati alkalmazásai vannak. A csapat úgy találta, hogy garantálni tudják, hogy egy kvantummodellt lehessen összeállítani vagy kvantumszámítógépen feldolgozni, az adatmennyiséghez képest sokkal kevesebb számítási kapuval. A fordítás, amely a kvantumszámítástechnikai ipar kulcsfontosságú alkalmazása, a működési kapuk hosszú sorozatát zsugoríthatja, vagy egy rendszer kvantumdinamikáját kapusorozattá változtathatja.

"Tételünk sokkal jobb kompilációs eszközökhöz vezet a kvantumszámításhoz" - mondta Cincio. „Különösen a mai zajos, közepes méretű kvantumszámítógépeknél, ahol minden kapu számít, a lehető legkevesebb kaput kell használni, hogy ne vegyen fel túl sok zajt, ami hibákat okoz.”

A csapat azt is kimutatta, hogy egy kvantum-AI osztályozhatja a kvantumállapotokat a fázisátalakulás során, miután egy nagyon kis adathalmazon betanított, mondta Los Alamos.

"A kvantumanyag fázisainak osztályozása fontos az anyagtudomány számára, és fontos Los Alamos küldetése szempontjából" - mondta Andrew Sornborger (CCS-3), a Laboratórium Kvantumtudományi Központjának igazgatója és a tanulmány társszerzője. "Ezek az anyagok összetettek, több különálló fázissal rendelkeznek, mint például a szupravezető és a mágneses fázis."

A kívánt tulajdonságokkal, például szupravezető képességgel rendelkező anyagok létrehozása magában foglalja a fázisdiagram megértését, mondta Sornborger, amelyről a csapat bebizonyította, hogy egy gépi tanulási rendszerrel minimális képzéssel felfedezhető.

Az új tétel további lehetséges alkalmazásai közé tartozik a kvantumhiba-javító kódok tanulása és a kvantumdinamikai szimulációk.

"Az új módszer hatékonysága felülmúlta várakozásainkat" - mondta Marco Cerezo (CCS-3), a kvantumgépi tanulás Los Alamos szakértője. "Bizonyos, nagyon nagy kvantumműveleteket percek alatt össze tudunk állítani nagyon kevés képzési ponttal – ami korábban nem volt lehetséges."

„Sokáig nem hittük, hogy a módszer ilyen hatékonyan működik” – mondta Cincio. „A fordítóprogram numerikus elemzése azt mutatja, hogy ez még jobb, mint amit bizonyítani tudunk. A lehetséges milliárdokból csak kis számú államon kell edzenünk. Nem kell minden lehetőséget ellenőriznünk, csak néhányat. Ez rendkívül leegyszerűsíti a képzést.”

A finanszírozás (csak Los Alamos társszerzői): ASC Beyond Moore's Law projekt a Los Alamos Nemzeti Laboratóriumban; Amerikai Egyesült Államok Energiaügyi Minisztériumának Tudományos Hivatala, Fejlett Tudományos Számítástechnikai Kutatási Hivatala A Quantum Computing gyorsított kutatása program; Laboratóriumi irányított kutatási és fejlesztési program a Los Alamos National Laboratory-ban; DOE Science Office, National Quantum Information Science Research Centers, Quantum Science Center; és a Honvédelmi Minisztérium.