Gépi tanulási segédanyagok Kvantumrendszerek klasszikus modellezése | Quanta Magazin

A kvantum-univerzum megértése nem egyszerű dolog. A tér és idő intuitív fogalmai a szubatomi fizika apró birodalmában összeomlanak, lehetővé téve a makroérzékenységünk szerint kifejezetten furcsának tűnő viselkedést.

Kvantum számítógépek lehetővé kell tenni számunkra, hogy kihasználjuk ezt a furcsaságot. Az ilyen gépek elméletileg feltárhatják a molekuláris kölcsönhatásokat új gyógyszerek létrehozása és anyagok. De talán a legfontosabb, hogy maga a világ erre a kvantum-univerzumra épül – ha meg akarjuk érteni, hogyan működik, valószínűleg kvantumeszközökre van szükségünk.

Azonban aktuális rövid távú kvantumeszközök még mindig messze vannak attól, hogy beváltsák ezt az ígéretet, mivel nem tudnak megbízhatóan végrehajtani nagyszámú kvantumkölcsönhatást. Amíg a kutatók nem tudják megoldani ezt a problémát, a klasszikus számítógépek továbbra is a legjobb módja a valós világ problémáinak megoldásának, bármennyire nem is hatékonyan teszik ezt.

De talán van megoldás, egyfajta kvantumkompromisszum. A közelmúltban megjelent cikkek sokasága azt sugallja, hogy lehetséges a megérteni kívánt kvantumrendszer bevitele a klasszikus gépekbe, és ezekkel a gépekkel megjósolható a kvantumrendszer viselkedése. A kvantumrendszerek modellezésének új módját az egyre kifinomultabb gépi tanulási algoritmusokkal kombinálva a kutatók megállapították klasszikus gépek módszere a kvantum viselkedés modellezésére és előrejelzésére.

„Úgy gondolom, hogy a munka nagyon jelentős” – mondta Yi-Zhuang Te, a San Diego-i Kaliforniai Egyetem fizikusa, aki nem áll kapcsolatban a tanulmányokkal. "Alapvetően megváltoztatja a területet abban az értelemben, hogy ez a megfelelő módja a kvantumszámítás és a gépi tanulás kombinálásának."

Amit az árnyakból tanulunk

A kutatók már próbál a klasszikus számítógépek használata kvantumállapotok előrejelzésére legalább 1989 óta. Jellemzően egy kvantumrendszer n a qubitek - a bit kvantum megfelelője - egy klasszikus 2-es tömbben ábrázolhatókⁿ számok. Ennek a tömbnek a mérete exponenciálisan növekszik a qubitek számával, ami azt jelenti, hogy a szükséges számítási teljesítmény gyorsan megfizethetetlenné válik.

2017 végén az informatikus Scott aaronson azt javasolta, hogy nem szükséges ismerni a kvantumrendszer teljes klasszikus reprezentációját. Ehelyett megismerheti egy adott kvantumállapotot, és megjósolhatja tulajdonságait a reprezentáció csak egy részhalmazával.

Aztán 2020-ban a fizikusok Hsin Yuan (Robert) Huang és a Richard Kueng úttörő volt Aaronson módszerének gyakorlati megközelítésében. Technikájuk lehetővé tette számukra, hogy egy rendszer kvantumállapotának számos jellemzőjét klasszikus módszerekkel nagyon kevés mérésből megjósolják. A folyamat egy „klasszikus árnyék” ezekből a mérésekből: a kvantumrendszer tömör, klasszikus ábrázolása, egy tényleges árnyékhoz hasonló, amely sok információt – de nem mindent – ​​közöl az őt vető objektumról.

"Le kell engedni a látószöget, és csak bizonyos kvantummegfigyelhető értékeket kell megjósolni" - mondta John Preskill, a California Institute of Technology elméleti fizikusa, aki Huanggal és Kuenggel együtt dolgozott a projekten.

Ezzel a modellel, ha meg akarja jósolni a rendszer bizonyos számú tulajdonságát, éppen elegendő mérésre van szüksége – konkrétan számos olyan mérésre, amely a tulajdonságok számának logaritmusaként skálázódik. – Robert ötlete zseniális – mondta Xie Chen, a Caltech Preskill munkatársa, aki nem állt kapcsolatban a tanulmányban. "Ez nagy előnyt jelent számunkra, hogy véletlenszerű mintavételezéssel megtanuljuk a rendszert."

A megközelítés már hozott némi sikert. A tudósok már felhasználták ezeket a klasszikus árnyékokat a legnagyobb szimuláció A valaha is végzett kvantumkémia klasszikus algoritmusát használva zajos, hibára hajlamos kvantumszámítógéppel a gyémántkristályban lévő atomok által tapasztalt erők tanulmányozására.

De talán többre is képes. Huang és mások nem csak egy statikus pillanatban akartak tanulmányozni egy kvantumrendszert – mint egy kristályban –, hanem ahogyan az idővel megváltozott. Ez sokkal nagyobb betekintést adna a kutatóknak abba, hogy ezek a rendszerek hogyan viselkednek, sokkal több feldolgozandó adat árán. Szerencsére ekkorra egy másik eszköz vált népszerűvé egy ilyen feladathoz: a gépi tanulás.

A modellek képzése

Az elmúlt néhány évben a klasszikus gépi tanulási modellek forradalmi lépéseket tettek az automatizált előrejelzések javításában. De amikor a kutatók kvantumproblémák megoldására próbálták használni őket, Preskill elmondta, a modellek gyakran jól jártak, de a pontosságuk nem volt garantált. A gépi tanulás jellemzően próba és hiba útján halad előre, így a hasznos információk megszerzéséhez éppen a megfelelő típusú adatokra – és azok nagy részére – van szüksége.

A papír Huang és a Google Quantum AI munkatársai hangsúlyozták, hogy az intuíció: A klasszikus gépi tanulási algoritmusok, amelyek elegendő kvantumadatokkal vannak kiképezve, elég hatékonyak lehetnek a kvantumrendszerek modellezéséhez.

De még mindig volt egy probléma. Ezek a gépi tanulási modellek még alapvetően klasszikusak voltak, ami azt jelenti, hogy lehetetlen valóban kvantumadatokat feldolgozni és kvantumállapotokat kiadni. Ennek megkerülésére Huang és munkatársai bemutatták a Tudomány tavalyi cikk, hogyan lehet klasszikus árnyékokat használni a kvantuminformációk klasszikus adatokká alakítására. Ezután egy gépi tanulási modellt képezhetnek ki az új kvantumrendszerek tulajdonságainak előrejelzésére.

"Az általuk létrehozott előny egy kvantumtérkép a [kvantum] bemenetek és a [kvantum] kimenetek között, mindkettő klasszikus árnyék – mivel soha nem lesz sikeres, ha a teljes kvantumállapotig felrobbant" Jarrod McClean, a Google Quantum AI informatikusa.

Ez a gyakorlatban kivitelezhetőnek tűnt, mivel a modellnek csak polinomiális számú adatpontra volt szüksége a pontos előrejelzések eléréséhez. Sajnos még mindig nem volt ideális. „A polinom rendkívül nagy volt” – mondta Huang. Alapvetően túl nehéz volt ennyi edzési adatot megszerezni.

A kirakós utolsó darabja a műhely ez év júliusában a kaliforniai Berkeley-i Egyetem Simons Institute for the Theory of Computing intézetében. Ott, egy egyetemista a Preskill csoportban, a neve Laura Lewis bemutatta az akadály megkerülését.

Míg a korábbi modellek agnosztikusak voltak a vizsgált kvantumrendszer geometriáját illetően, Lewis munkája nem. Ahelyett, hogy megpróbálta volna nyomon követni a rendszerben lévő qubit-kombinációk közötti kölcsönhatásokat, az algoritmusa az egymás mellett elhelyezkedő qubitek közötti helyi interakcióra összpontosított. Ehhez a megközelítéshez most kevesebb betanítási adatra volt szükség – csupán a qubitek számának logaritmikus függvényére –, hogy pontosan megjósolhassa a kvantumrendszer tulajdonságait, és így végre gyakorlatilag megvalósíthatóvá váljon.

Beyond Shadows

Ezekkel a modellekkel a kutatók feltárhatják az egyre bonyolultabb kvantumrendszerek összetételét és viselkedését. De Lewis eredménye ezen a kutatási vonalon is javíthat: most már jobb módszereink vannak arra, hogy megértsük, hogyan csökkenthetjük a más kvantumrendszerekkel kapcsolatos jövőbeli előrejelzések skálázási követelményeit.

Lewis munkája feltárja, „mennyi adatot [kell] összegyűjteni egy fizikai rendszerből ahhoz, hogy megbízható előrejelzéseket lehessen végezni” – mondta McClean.

Eközben Huang tovább kutatott. A klasszikus árnyékokkal és a gépi tanulással kapcsolatos munkájára építve nemrégiben használt egy továbbfejlesztett algoritmus az aktív kvantumrendszerek (például egy kvantumállapot másikba való átalakítása) tanulmányozására kisebb adatmennyiséggel. A Preskill gyanítja, hogy ez még csak a kezdet. „Amit az elkövetkező 10-XNUMX évben várok, a kvantumszámítástechnika fő hatása nem a kereskedelmileg fontos alkalmazásokban lesz” – mondta. – Tudományos feltárás lesz.

A Huang és Lewis által kifejlesztett új módszereket egyelőre még szigorúan tesztelni kell laboratóriumi kísérletekben. A kísérleti rendszerek extra poggyászt tartalmaznak, beleértve a mérési hibákat és pontatlanságokat, mondta Chen, amit ezek a modellek még mindig nem tudnak kezelni.

De bár ez a munka még folyamatban van, ezek a klasszikus árnyékok lehetővé teszik a kutatók számára, hogy új módokon javítsák a kvantumelméleti birodalom megértését. A klasszikus árnyékok elegendőek a kvantumkomplexitás megragadásához, vagy teljesen kvantum megközelítésre van szükségünk? Vannak-e olyan kvantumtulajdonságok vagy dinamikák, amelyek örökre elérhetetlenek lesznek? „Munkásságuk úttörő volt ahhoz, hogy elkezdjenek gondolkodni ezeken a kérdéseken” – mondta Soonwon Choi, a Massachusetts Institute of Technology fizikusa.

És lehet, hogy egy napon, Preskill szerint, a kutatók elegendő kísérleti adatot gyűjtenek össze ahhoz, hogy megjósolhassák a rendszer olyan jellemzőit, amelyekkel a laboratóriumban még soha nem találkoztak. „Ez a gépi tanulás kvantumfizikában való alkalmazásának egyik átfogó célja” – mondta. "És meg tudtuk mutatni, hogy legalább bizonyos beállításokkal pontos előrejelzéseket készíthet."

A szerkesztő megjegyzése: Scott Aaronson tagja a Quanta Magazine'S Tanácsadó Testület.