Los Alamos Mengklaim Terobosan Pembelajaran Mesin Quantum: Pelatihan dengan Data Dalam Jumlah Kecil

Para peneliti di Los Alamos National Laboratory hari ini mengumumkan “bukti” pembelajaran mesin kuantum yang mereka katakan menunjukkan bahwa menghujani jaringan saraf kuantum hanya membutuhkan sejumlah kecil data, “(meningkatkan) asumsi sebelumnya yang berasal dari keinginan besar komputasi klasik untuk data dalam pembelajaran mesin , atau kecerdasan buatan.”

Laboratorium mengatakan teorema memiliki aplikasi langsung, termasuk kompilasi yang lebih efisien untuk komputer kuantum dan fase membedakan materi untuk penemuan material.

“Banyak orang percaya bahwa pembelajaran mesin kuantum akan membutuhkan banyak data,” kata Lukasz Cincio (T-4), ahli teori kuantum Los Alamos dan rekan penulis makalah yang berisi bukti yang diterbitkan 23 Agustus di jurnal Alam Komunikasi. “Kami telah secara ketat menunjukkan bahwa untuk banyak masalah yang relevan, ini tidak terjadi.

Kertas, Generalisasi dalam pembelajaran mesin kuantum dari beberapa data pelatihan, oleh Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles dan Cincio.

“Ini memberikan harapan baru untuk pembelajaran mesin kuantum,” katanya. “Kami menutup kesenjangan antara apa yang kami miliki saat ini dan apa yang dibutuhkan untuk keuntungan kuantum, ketika komputer kuantum mengungguli komputer klasik.””

Sistem AI memerlukan data untuk melatih jaringan saraf untuk mengenali — menggeneralisasi ke — data yang tidak terlihat dalam aplikasi nyata. Telah diasumsikan bahwa jumlah parameter, atau variabel, akan ditentukan oleh ukuran konstruksi matematika yang disebut ruang Hilbert, yang menjadi besar secara eksponensial untuk pelatihan pada sejumlah besar qubit, kata Los Alamos dalam pengumumannya. Ukuran itu membuat pendekatan ini hampir mustahil secara komputasi.

“Kebutuhan akan kumpulan data besar bisa menjadi penghalang bagi AI kuantum, tetapi pekerjaan kami menghilangkan penghalang jalan ini. Sementara masalah lain untuk AI kuantum masih bisa ada, setidaknya sekarang kita tahu bahwa ukuran kumpulan data tidak menjadi masalah, ”kata Coles (T-4), ahli teori kuantum di lab dan rekan penulis makalah.

“Sulit membayangkan betapa luasnya ruang Hilbert: ruang dari satu miliar negara bagian bahkan ketika Anda hanya memiliki 30 qubit,” kata Coles. “Proses pelatihan untuk AI kuantum terjadi di dalam ruang yang luas ini. Anda mungkin berpikir bahwa menelusuri ruang ini akan membutuhkan satu miliar titik data untuk memandu Anda. Tetapi kami menunjukkan bahwa Anda hanya membutuhkan titik data sebanyak jumlah parameter dalam model Anda. Itu sering kira-kira sama dengan jumlah qubit — jadi hanya sekitar 30 titik data,” kata Coles.

Salah satu aspek kunci dari hasil, kata Cincio, adalah bahwa mereka menghasilkan jaminan efisiensi bahkan untuk algoritma klasik yang mensimulasikan model AI kuantum, sehingga data pelatihan dan kompilasi sering dapat ditangani pada komputer klasik, yang menyederhanakan proses. Kemudian model yang dipelajari mesin berjalan di komputer kuantum.

"Itu berarti kami dapat menurunkan persyaratan untuk kualitas kinerja yang kami butuhkan dari komputer kuantum, sehubungan dengan kebisingan dan kesalahan, untuk melakukan simulasi kuantum yang berarti, yang mendorong keunggulan kuantum lebih dekat dan lebih dekat dengan kenyataan," kata Cincio.

Percepatan yang dihasilkan dari bukti baru memiliki aplikasi praktis yang dramatis. Tim menemukan bahwa mereka dapat menjamin bahwa model kuantum dapat dikompilasi, atau disiapkan untuk diproses pada komputer kuantum, di gerbang komputasi yang jauh lebih sedikit, dibandingkan dengan jumlah data. Kompilasi, aplikasi penting untuk industri komputasi kuantum, dapat mengecilkan urutan panjang gerbang operasional atau mengubah dinamika kuantum sistem menjadi urutan gerbang.

“Teorema kami akan menghasilkan alat kompilasi yang jauh lebih baik untuk komputasi kuantum,” kata Cincio. “Terutama dengan komputer kuantum skala menengah yang bising saat ini di mana setiap gerbang diperhitungkan, Anda ingin menggunakan gerbang sesedikit mungkin sehingga Anda tidak menangkap terlalu banyak kebisingan, yang menyebabkan kesalahan.”

Tim juga menunjukkan bahwa AI kuantum dapat mengklasifikasikan keadaan kuantum di seluruh transisi fase setelah pelatihan pada kumpulan data yang sangat kecil, kata Los Alamos.

"Mengklasifikasikan fase materi kuantum penting untuk ilmu material dan relevan dengan misi Los Alamos," kata Andrew Sornborger (CCS-3), direktur Pusat Sains Quantum di Laboratorium dan rekan penulis makalah ini. “Bahan-bahan ini kompleks, memiliki beberapa fase berbeda seperti superkonduktor dan fase magnetik.”

Membuat materi dengan sifat yang diinginkan, seperti superkonduktivitas, melibatkan pemahaman diagram fase, kata Sornborger, yang terbukti dapat ditemukan oleh sistem pembelajaran mesin dengan pelatihan minimal.

Aplikasi potensial lain dari teorema baru termasuk mempelajari kode koreksi kesalahan kuantum dan simulasi dinamis kuantum.

“Efisiensi metode baru melebihi harapan kami,” kata Marco Cerezo (CCS-3), seorang ahli Los Alamos dalam pembelajaran mesin kuantum. “Kami dapat mengkompilasi operasi kuantum tertentu yang sangat besar dalam hitungan menit dengan poin pelatihan yang sangat sedikit — sesuatu yang sebelumnya tidak mungkin.”

“Untuk waktu yang lama, kami tidak percaya bahwa metode ini akan bekerja dengan sangat efisien,” kata Cincio. “Dengan compiler, analisis numerik kami menunjukkan bahwa itu lebih baik daripada yang bisa kami buktikan. Kami hanya perlu melatih sejumlah kecil negara bagian dari miliaran yang mungkin. Kami tidak harus memeriksa setiap opsi, tetapi hanya beberapa. Ini sangat menyederhanakan pelatihan.”

Pendanaan (hanya rekan penulis Los Alamos): proyek ASC Beyond Moore's Law di Los Alamos National Laboratory; Kantor Ilmu Pengetahuan Departemen Energi AS, Kantor Penelitian Komputasi Ilmiah Tingkat Lanjut Penelitian yang Dipercepat dalam program Komputasi Kuantum; Program Penelitian dan Pengembangan Laboratorium di Laboratorium Nasional Los Alamos; Kantor Sains DOE, Pusat Penelitian Sains Informasi Kuantum Nasional, Pusat Sains Quantum; dan Departemen Pertahanan.