Los Alamos טוענת לפריצת דרך של למידת מכונה קוונטית: אימון עם כמויות קטנות של נתונים

חוקרים במעבדה הלאומית של לוס אלמוס הכריזו היום על "הוכחה" של למידת מכונה קוונטית שלדבריהם מראה שגשם של רשת עצבית קוונטית דורש רק כמות קטנה של נתונים, "הנחות קודמות (המתחדשות) שנבעו מהתיאבון העצום של המחשוב הקלאסי לנתונים בלמידת מכונה. , או בינה מלאכותית."

המעבדה אמרה שלמשפט יש יישומים ישירים, כולל קומפילציה יעילה יותר עבור מחשבים קוונטיים והבחנה בין שלבים של חומר לצורך גילוי חומרים.

"אנשים רבים מאמינים שלמידת מכונה קוונטית תדרוש הרבה נתונים", אמר לוקאש צ'ינסיו (T-4), תורת הקוונטים בלוס אלמוס ומחבר שותף של המאמר המכיל את ההוכחה שפורסמה ב-23 באוגוסט בכתב העת תקשורת טבע. "הראינו בקפדנות שעבור בעיות רלוונטיות רבות, זה לא המקרה.

הנייר, הכללה בלמידה של מכונות קוונטיות ממעט נתוני אימון, הוא מאת מתיאס סי קארו, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles ו-Cincio.

"זה מספק תקווה חדשה ללמידה של מכונות קוונטיות", אמר. "אנחנו סוגרים את הפער בין מה שיש לנו היום למה שנדרש לטובת יתרון קוונטי, כשמחשבים קוונטיים עולים על המחשבים הקלאסיים."

מערכות בינה מלאכותית זקוקות לנתונים כדי לאמן את הרשתות העצביות לזהות - להכליל - נתונים בלתי נראים ביישומים אמיתיים. ההנחה הייתה שמספר הפרמטרים, או המשתנים, ייקבע על פי גודלו של מבנה מתמטי הנקרא מרחב הילברט, שהופך גדול באופן אקספוננציאלי לאימון על פני מספר רב של קיוביטים, אמרה לוס אלמוס בהודעתו. הגודל הזה הפך את הגישה הזו לכמעט בלתי אפשרית מבחינה חישובית.

"הצורך במערכי נתונים גדולים יכול היה להוות מחסום בפני AI קוונטי, אבל העבודה שלנו מסירה את החסימה הזו. בעוד שבעיות אחרות עבור בינה מלאכותית קוונטית עדיין יכולות להתקיים, לפחות עכשיו אנחנו יודעים שגודל מערך הנתונים אינו מהווה בעיה", אמר קולס (T-4), חוקר קוונטים במעבדה ומחבר שותף של המאמר.

"קשה לדמיין עד כמה מרחב הילברט עצום: מרחב של מיליארד מדינות גם כשיש לך רק 30 קיוביטים", אמר קולס. "תהליך האימון עבור AI קוונטי מתרחש בתוך המרחב העצום הזה. אתה עשוי לחשוב שחיפוש במרחב הזה ידרוש מיליארד נקודות נתונים כדי להדריך אותך. אבל הראינו שאתה צריך רק כמה נקודות נתונים כמו מספר הפרמטרים במודל שלך. לרוב זה שווה בערך למספר הקיוביטים - אז רק כ-30 נקודות נתונים", אמר קולס.

היבט מרכזי אחד של התוצאות, אמר Cincio, הוא שהן מניבות הבטחות ליעילות אפילו עבור אלגוריתמים קלאסיים המדמים מודלים של AI קוונטיים, כך שלעתים קרובות ניתן לטפל בנתוני האימון והקומפילציה במחשב קלאסי, מה שמפשט את התהליך. ואז המודל שנלמד על ידי מכונה פועל על מחשב קוונטי.

"זה אומר שאנחנו יכולים להוריד את הדרישה לאיכות הביצועים הדרושה לנו מהמחשב הקוונטי, ביחס לרעשים ושגיאות, כדי לבצע הדמיות קוונטיות משמעותיות, מה שדוחף את היתרון הקוונטי קרוב יותר ויותר למציאות", אמר סינצ'יו.

למהירות הנובעת מההוכחה החדשה יש יישומים מעשיים דרמטיים. הצוות מצא שהם יכולים להבטיח שניתן להרכיב מודל קוונטי, או להכין אותו לעיבוד במחשב קוונטי, בהרבה פחות שערים חישוביים, ביחס לכמות הנתונים. קומפילינג, יישום מכריע לתעשיית המחשוב הקוונטי, יכול לכווץ רצף ארוך של שערים תפעוליים או להפוך את הדינמיקה הקוונטית של מערכת לרצף שערים.

"המשפט שלנו יוביל לכלי קומפילציה טובים בהרבה עבור מחשוב קוונטי", אמר סינסיו. "במיוחד עם המחשבים הקוונטים הרועשים של ימינו, בקנה מידה בינוני, שבהם כל שער חשוב, אתה רוצה להשתמש בכמה שפחות שערים כדי לא לקלוט יותר מדי רעש, מה שגורם לשגיאות."

הצוות גם הראה שבינה מלאכותית קוונטית יכולה לסווג מצבים קוונטיים על פני מעבר פאזה לאחר אימון על מערך נתונים קטן מאוד, אמר לוס אלמוס.

"סיווג שלבי החומר הקוונטי חשוב למדעי החומרים ורלוונטי למשימה של לוס אלמוס", אמר אנדרו סורנבורגר (CCS-3), מנהל המרכז למדע קוונטי במעבדה ומחבר שותף של המאמר. "החומרים הללו מורכבים, בעלי מספר שלבים שונים כמו שלבים מוליכים ופאזים מגנטיים."

יצירת חומרים עם תכונות רצויות, כגון מוליכות-על, כרוכה בהבנת דיאגרמת הפאזות, אמר סורנבורגר, שהצוות הוכיח שניתן לגלות על ידי מערכת למידת מכונה עם אימון מינימלי.

יישומים פוטנציאליים נוספים של המשפט החדש כוללים לימוד קודי תיקון שגיאות קוונטיות וסימולציות דינמיות קוונטיות.

"היעילות של השיטה החדשה עלתה על הציפיות שלנו", אמר מרקו סרזו (CCS-3), מומחה לוס אלמוס ללמידת מכונות קוונטיות. "אנחנו יכולים להרכיב פעולות קוונטיות מסוימות, גדולות מאוד בתוך דקות עם מעט מאוד נקודות אימון - דבר שלא היה אפשרי קודם לכן."

"במשך זמן רב, לא יכולנו להאמין שהשיטה תעבוד בצורה כל כך יעילה", אמר סינסיו. "עם המהדר, הניתוח המספרי שלנו מראה שזה אפילו טוב יותר ממה שאנחנו יכולים להוכיח. אנחנו צריכים רק להתאמן על מספר קטן של מדינות מתוך מיליארדים אפשריים. אנחנו לא צריכים לבדוק כל אפשרות, אלא רק כמה. זה מאוד מפשט את האימון".

המימון (מחברים שותפים בלוס אלמוס בלבד): פרויקט ASC Beyond Moore's Law במעבדה הלאומית של לוס אלמוס; משרד האנרגיה של ארה"ב משרד המדע, המשרד לחקר מחשוב מדעי מתקדם מחקר מואץ בתוכנית מחשוב קוונטי; תוכנית מחקר ופיתוח מכוונת מעבדה במעבדה הלאומית של לוס אלמוס; משרד המדע של DOE, מרכזי המחקר הלאומיים למדעי המידע הקוונטי, המרכז למדע הקוונטי; ומשרד ההגנה.