ロスアラモス国立研究所の研究者は本日、量子ニューラルネットワークの雨が降ると少量のデータしか必要としないことを示す量子機械学習の「証拠」を発表しました。 、または人工知能。
研究所は、この定理には、量子コンピューターのより効率的なコンパイルや、材料発見のための物質の相の識別など、直接的な応用があると述べています。
「多くの人は、量子機械学習には大量のデータが必要になると信じています」と、ロスアラモスの量子理論家であり、4 月 23 日にジャーナルに掲載された証拠を含む論文の共著者である Lukasz Cincio (T-XNUMX) は述べています。 ネイチャー·コミュニケーションズ. 「多くの関連する問題について、これが当てはまらないことを厳密に示しました。
紙、 少数のトレーニング データからの量子機械学習の一般化、Matthias C. Caro、Hsin-Yuan Huang、Cerezo、Kunal Sharma、Sornborger、Patrick Coles、および Cincio によるものです。
「これは、量子機械学習に新たな希望をもたらします」と彼は言いました。 「量子コンピューターが従来のコンピューターよりも優れた性能を発揮するようになると、私たちは現在持っているものと量子の利点に必要なものとの間のギャップを埋めようとしています。」
AI システムは、ニューラル ネットワークをトレーニングして、実際のアプリケーションでは目に見えないデータを認識 (一般化) するためのデータを必要とします。 パラメータまたは変数の数は、ヒルベルト空間と呼ばれる数学的構造のサイズによって決定されると想定されていましたが、ヒルベルト空間は、多数のキュービットでトレーニングするために指数関数的に大きくなります. そのサイズは、このアプローチを計算上ほぼ不可能にしました。
「大規模なデータセットの必要性は、量子 AI の障害となった可能性がありますが、私たちの研究はこの障害を取り除きます。 量子 AI の他の問題はまだ存在する可能性がありますが、少なくともデータセットのサイズが問題ではないことがわかっています」と、ラボの量子理論家で論文の共著者である Coles (T-4) は述べています。
「ヒルベルト空間がどれほど広大であるかを想像するのは困難です。30 キュービットしかない場合でも、30 億の状態の空間です」と Coles 氏は述べています。 「量子 AI のトレーニング プロセスは、この広大な空間の中で行われます。 この空間を検索するには、ガイドとして XNUMX 億のデータ ポイントが必要だと思うかもしれません。 ただし、モデル内のパラメーターの数と同じ数のデータ ポイントのみが必要であることを示しました。 これは多くの場合、量子ビットの数とほぼ同じであり、約 XNUMX のデータ ポイントしかありません」と Coles 氏は述べています。
Cincio 氏によると、結果の重要な側面の XNUMX つは、量子 AI モデルをシミュレートする従来のアルゴリズムでも効率が保証されることです。そのため、トレーニング データとコンパイルは多くの場合、従来のコンピューターで処理できるため、プロセスが簡素化されます。 次に、機械学習モデルが量子コンピューターで実行されます。
「これは、ノイズとエラーに関して、量子コンピューターに必要なパフォーマンス品質の要件を下げて、有意義な量子シミュレーションを実行できることを意味します。これにより、量子の利点がますます現実に近づきます」と Cincio 氏は述べています。
新しい証明による高速化には、劇的な実用的アプリケーションがあります。 チームは、データ量に比べてはるかに少ない計算ゲートで、量子モデルをコンパイルまたは量子コンピューターでの処理の準備ができることを保証できることを発見しました。 量子コンピューティング業界にとって重要なアプリケーションであるコンパイルは、操作可能なゲートの長いシーケンスを縮小したり、システムの量子ダイナミクスをゲート シーケンスに変換したりできます。
「私たちの定理は、量子コンピューティング用のはるかに優れたコンパイル ツールにつながるでしょう」と Cincio 氏は述べています。 「特に、すべてのゲートがカウントされる今日のノイズの多い中規模の量子コンピューターでは、エラーの原因となるノイズを拾わないように、できるだけ少ないゲートを使用する必要があります。」
チームはまた、量子AIが非常に小さなデータセットでトレーニングした後、相転移全体で量子状態を分類できることを示した、とロスアラモスは述べた。
「量子物質の相を分類することは、材料科学にとって重要であり、ロス アラモスの使命に関連しています」と、研究所の量子科学センターのディレクターであり、論文の共著者である Andrew Sornborger (CCS-3) は述べています。 「これらの材料は複雑で、超伝導相や磁気相のような複数の異なる相を持っています。」
Sornborger 氏によると、超伝導などの望ましい特性を備えた材料を作成するには、状態図を理解する必要があり、チームは最小限のトレーニングで機械学習システムによって発見できることを証明しました。
新しい定理の他の潜在的なアプリケーションには、量子誤り訂正コードの学習と量子力学シミュレーションが含まれます。
ロスアラモスの量子機械学習の専門家である Marco Cerezo (CCS-3) は、次のように述べています。 「ごくわずかなトレーニング ポイントで、特定の非常に大規模な量子演算を数分でコンパイルできます。これは、以前は不可能でした。」
「長い間、この方法がこれほど効率的に機能するとは信じられませんでした」と Cincio 氏は言います。 「コンパイラを使用した数値解析は、それが証明できる以上に優れていることを示しています。 可能な数十億の状態のうち、少数の状態でトレーニングするだけで済みます。 すべてのオプションをチェックする必要はありませんが、ほんの一部です。 これにより、トレーニングが大幅に簡素化されます。」
資金提供 (ロス アラモスの共著者のみ): ロス アラモス国立研究所の ASC Beyond Moore's Law プロジェクト。 米国エネルギー省科学局、高度科学計算研究局 量子コンピューティングの加速研究プログラム。 ロスアラモス国立研究所での研究所主導の研究開発プログラム。 DOE 科学局、国立量子情報科学研究センター、量子科学センター。 そして国防総省。
