Los Alamos rivendica la svolta nell'apprendimento automatico quantistico: formazione con piccole quantità di dati

I ricercatori del Los Alamos National Laboratory hanno annunciato oggi una "prova" nell'apprendimento automatico quantistico che, secondo loro, mostra che la pioggia di una rete neurale quantistica richiede solo una piccola quantità di dati, "(ribaltando) le ipotesi precedenti derivanti dall'enorme appetito dell'informatica classica per i dati nell'apprendimento automatico , o intelligenza artificiale.”

Il laboratorio ha affermato che il teorema ha applicazioni dirette, inclusa una compilazione più efficiente per i computer quantistici e fasi distintive della materia per la scoperta di materiali.

"Molte persone credono che l'apprendimento automatico quantistico richiederà molti dati", ha affermato Lukasz Cincio (T-4), teorico quantistico di Los Alamos e coautore dell'articolo contenente la prova pubblicata il 23 agosto sulla rivista Nature Communications. “Abbiamo rigorosamente dimostrato che per molti problemi rilevanti non è così.

La carta, Generalizzazione nell'apprendimento automatico quantistico da pochi dati di addestramento, è di Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles e Cincio.

"Questo fornisce una nuova speranza per l'apprendimento automatico quantistico", ha affermato. "Stiamo colmando il divario tra ciò che abbiamo oggi e ciò che è necessario per il vantaggio quantistico, quando i computer quantistici superano i computer classici.""

I sistemi di intelligenza artificiale hanno bisogno di dati per addestrare le reti neurali a riconoscere — generalizzare a — dati invisibili in applicazioni reali. Si presumeva che il numero di parametri, o variabili, sarebbe stato determinato dalla dimensione di un costrutto matematico chiamato spazio di Hilbert, che diventa esponenzialmente grande per l'allenamento su un gran numero di qubit, ha affermato Los Alamos nel suo annuncio. Quella dimensione ha reso questo approccio quasi impossibile dal punto di vista computazionale.

“La necessità di grandi set di dati avrebbe potuto essere un ostacolo all'IA quantistica, ma il nostro lavoro rimuove questo ostacolo. Mentre altri problemi per l'IA quantistica potrebbero ancora esistere, almeno ora sappiamo che la dimensione del set di dati non è un problema", ha affermato Coles (T-4), teorico quantistico del laboratorio e coautore dell'articolo.

"È difficile immaginare quanto sia vasto lo spazio di Hilbert: uno spazio di un miliardo di stati anche quando hai solo 30 qubit", ha detto Coles. “Il processo di addestramento per l'IA quantistica avviene all'interno di questo vasto spazio. Potresti pensare che la ricerca in questo spazio richieda un miliardo di punti dati per guidarti. Ma abbiamo mostrato che hai bisogno solo di tanti punti dati quanti sono i parametri nel tuo modello. Questo è spesso più o meno uguale al numero di qubit, quindi solo circa 30 punti dati", ha detto Coles.

Un aspetto chiave dei risultati, ha affermato Cincio, è che forniscono garanzie di efficienza anche per algoritmi classici che simulano modelli di intelligenza artificiale quantistica, quindi i dati di addestramento e la compilazione spesso possono essere gestiti su un computer classico, il che semplifica il processo. Quindi il modello appreso dalla macchina viene eseguito su un computer quantistico.

"Ciò significa che possiamo ridurre i requisiti per la qualità delle prestazioni di cui abbiamo bisogno dal computer quantistico, rispetto al rumore e agli errori, per eseguire simulazioni quantistiche significative, il che spinge il vantaggio quantistico sempre più vicino alla realtà", ha affermato Cincio.

L'accelerazione risultante dalla nuova dimostrazione ha applicazioni pratiche drammatiche. Il team ha scoperto di poter garantire che un modello quantistico possa essere compilato o preparato per l'elaborazione su un computer quantistico, in un numero molto inferiore di porte computazionali, rispetto alla quantità di dati. La compilazione, un'applicazione cruciale per l'industria dell'informatica quantistica, può ridurre una lunga sequenza di porte operative o trasformare la dinamica quantistica di un sistema in una sequenza di porte.

"Il nostro teorema porterà a strumenti di compilazione molto migliori per l'informatica quantistica", ha affermato Cincio. "Soprattutto con gli odierni computer quantistici rumorosi e su scala intermedia in cui ogni gate conta, si desidera utilizzare il minor numero possibile di gate in modo da non captare troppo rumore, causando errori".

Il team ha anche dimostrato che un'IA quantistica potrebbe classificare gli stati quantistici attraverso una transizione di fase dopo l'allenamento su un set di dati molto piccolo, ha affermato Los Alamos.

"Classificare le fasi della materia quantistica è importante per la scienza dei materiali e rilevante per la missione di Los Alamos", ha affermato Andrew Sornborger (CCS-3), direttore del Quantum Science Center presso il Laboratorio e coautore dell'articolo. "Questi materiali sono complessi, hanno più fasi distinte come fasi superconduttive e magnetiche".

La creazione di materiali con le caratteristiche desiderate, come la superconduttività, implica la comprensione del diagramma di fase, ha affermato Sornborger, che il team ha dimostrato potrebbe essere scoperto da un sistema di apprendimento automatico con una formazione minima.

Altre potenziali applicazioni del nuovo teorema includono l'apprendimento di codici di correzione degli errori quantistici e simulazioni quantistiche dinamiche.

"L'efficienza del nuovo metodo ha superato le nostre aspettative", ha affermato Marco Cerezo (CCS-3), esperto di Los Alamos nell'apprendimento automatico quantistico. "Possiamo compilare alcune operazioni quantistiche molto grandi in pochi minuti con pochissimi punti di addestramento, cosa che in precedenza non era possibile".

"Per molto tempo non potevamo credere che il metodo avrebbe funzionato in modo così efficiente", ha detto Cincio. “Con il compilatore, la nostra analisi numerica mostra che è anche meglio di quanto possiamo provare. Dobbiamo solo allenarci su un piccolo numero di stati su miliardi che sono possibili. Non dobbiamo controllare tutte le opzioni, ma solo alcune. Questo semplifica enormemente la formazione”.

The Funding (solo coautori di Los Alamos): progetto ASC Beyond Moore's Law presso il Los Alamos National Laboratory; Ufficio della scienza del Dipartimento dell'energia degli Stati Uniti, Ufficio per la ricerca sull'informatica scientifica avanzata Programma di ricerca accelerata nel calcolo quantistico; Programma di ricerca e sviluppo diretto dal laboratorio presso il Los Alamos National Laboratory; DOE Office of Science, National Quantum Information Science Research Centers, Quantum Science Center; e Dipartimento della Difesa.