로스앨러모스 국립연구소(Los Alamos National Laboratory) 연구원들은 오늘 양자 신경망에 비를 내리려면 소량의 데이터만 필요하다는 것을 보여주는 양자 기계 학습 "증거"를 발표했습니다. , 또는 인공 지능.”
연구소는 이 정리가 양자 컴퓨터를 위한 보다 효율적인 컴파일과 재료 발견을 위한 물질의 구별 단계를 포함하여 직접적인 응용 프로그램을 가지고 있다고 말했습니다.
Los Alamos 양자 이론가이자 4월 23일 저널에 발표된 증명을 포함하는 논문의 공동 저자인 Lukasz Cincio(T-XNUMX)는 "많은 사람들이 양자 기계 학습에 많은 데이터가 필요할 것이라고 믿습니다."라고 말했습니다. 자연 통신. “우리는 많은 관련 문제에 대해 이것이 사실이 아님을 엄격하게 보여주었습니다.
종이, 소수의 훈련 데이터에서 양자 머신 러닝의 일반화,은 Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles 및 Cincio의 작품입니다.
"이것은 양자 기계 학습에 대한 새로운 희망을 제공합니다."라고 그는 말했습니다. "우리는 양자 컴퓨터가 기존 컴퓨터를 능가할 때 현재 우리가 가지고 있는 것과 양자 이점에 필요한 것 사이의 격차를 좁히고 있습니다."
AI 시스템은 신경망이 실제 애플리케이션에서 보이지 않는 데이터를 인식(일반화)하도록 훈련하기 위한 데이터가 필요합니다. Los Alamos는 발표에서 매개변수 또는 변수의 수는 Hilbert 공간이라고 하는 수학적 구성의 크기에 따라 결정된다고 가정했는데, 이 공간은 많은 수의 큐비트에 대한 훈련을 위해 기하급수적으로 커집니다. 그 크기는 이 접근 방식을 계산적으로 거의 불가능하게 만들었습니다.
“대형 데이터 세트의 필요성은 양자 AI의 장애물이 되었을 수 있지만 우리의 작업은 이 장애물을 제거합니다. 양자 AI에 대한 다른 문제가 여전히 존재할 수 있지만 적어도 이제 우리는 데이터 세트의 크기가 문제가 아니라는 것을 알고 있습니다.”라고 연구실의 양자 이론가이자 논문의 공동 저자인 Coles(T-4)가 말했습니다.
Coles는 "Hilbert 공간이 얼마나 광대한지 상상하기 어렵습니다. 30큐비트만 있어도 30억 상태의 공간입니다."라고 말했습니다. “양자 AI를 위한 훈련 과정은 이 광대한 공간 안에서 이루어집니다. 이 공간을 검색하려면 수십억 개의 데이터 포인트가 필요하다고 생각할 수 있습니다. 그러나 우리는 모델의 매개변수 수만큼의 데이터 포인트만 필요하다는 것을 보여주었습니다. 이는 종종 큐비트의 수와 거의 같으므로 약 XNUMX개의 데이터 포인트만 있습니다.”라고 Coles가 말했습니다.
Cincio는 결과의 한 가지 주요 측면은 양자 AI 모델을 시뮬레이트하는 기존 알고리즘에 대해서도 효율성을 보장하므로 교육 데이터 및 컴파일을 기존 컴퓨터에서 처리할 수 있는 경우가 많기 때문에 프로세스가 간소화된다는 점이라고 Cincio는 말했습니다. 그런 다음 기계 학습 모델이 양자 컴퓨터에서 실행됩니다.
Cincio는 "이는 의미 있는 양자 시뮬레이션을 수행하기 위해 잡음 및 오류와 관련하여 양자 컴퓨터에서 필요로 하는 성능 품질에 대한 요구 사항을 낮출 수 있음을 의미하며, 이는 양자 이점을 현실에 점점 더 가깝게 밀어붙입니다."라고 말했습니다.
새로운 증명으로 인한 속도 향상은 극적인 실제 적용을 가지고 있습니다. 팀은 데이터 양에 비해 훨씬 적은 계산 게이트에서 양자 모델을 컴파일하거나 양자 컴퓨터에서 처리하기 위해 준비할 수 있음을 보장할 수 있음을 발견했습니다. 양자 컴퓨팅 산업의 중요한 응용 프로그램인 컴파일은 긴 연산 게이트 시퀀스를 축소하거나 시스템의 양자 역학을 게이트 시퀀스로 전환할 수 있습니다.
"우리의 정리는 양자 컴퓨팅을 위한 훨씬 더 나은 컴파일 도구로 이어질 것입니다."라고 Cincio는 말했습니다. "특히 모든 게이트가 중요한 오늘날의 시끄러운 중간 규모 양자 컴퓨터에서는 가능한 한 적은 수의 게이트를 사용하여 오류를 유발하는 너무 많은 잡음을 포착하지 않도록 해야 합니다."
팀은 또한 양자 AI가 매우 작은 데이터 세트에 대한 훈련 후 위상 전환에 걸쳐 양자 상태를 분류할 수 있음을 보여주었다고 Los Alamos는 말했습니다.
"양자 물질의 위상을 분류하는 것은 재료 과학에 중요하며 Los Alamos의 임무와 관련이 있습니다. "이러한 재료는 복잡하며 초전도 및 자기 위상과 같은 여러 개의 고유한 위상을 가지고 있습니다."
초전도성과 같은 원하는 특성을 가진 재료를 만드는 것은 위상 다이어그램을 이해하는 것과 관련이 있다고 Sornborger는 말했습니다. 팀은 최소한의 교육으로 기계 학습 시스템으로 발견할 수 있음을 증명했습니다.
새로운 정리의 다른 잠재적인 응용 프로그램에는 양자 오류 수정 코드 및 양자 역학 시뮬레이션 학습이 포함됩니다.
Los Alamos의 양자 기계 학습 전문가인 Marco Cerezo(CCS-3)는 "새로운 방법의 효율성은 우리의 기대를 뛰어넘었습니다."라고 말했습니다. "우리는 아주 적은 훈련 포인트로 몇 분 안에 매우 큰 특정 양자 작업을 컴파일할 수 있습니다. 이는 이전에는 불가능했던 것입니다."
"오랫동안 우리는 이 방법이 그렇게 효율적으로 작동할 것이라고 믿을 수 없었습니다."라고 Cincio가 말했습니다. “컴파일러를 사용한 수치 분석은 우리가 증명할 수 있는 것보다 훨씬 더 우수하다는 것을 보여줍니다. 우리는 가능한 수십억 개 중 소수의 주에서만 훈련하면 됩니다. 모든 옵션을 확인할 필요는 없지만 몇 가지만 확인할 수 있습니다. 이것은 훈련을 엄청나게 단순화합니다.”
자금 지원(Los Alamos 공동 저자만 해당): Los Alamos 국립 연구소의 ASC Beyond Moore's Law 프로젝트; 미국 에너지부 과학실, 고급 과학 컴퓨팅 연구실 양자 컴퓨팅 프로그램 가속화 연구; Los Alamos 국립 연구소의 연구소 주도 연구 및 개발 프로그램; DOE 과학국, 국립 양자 정보 과학 연구 센터, 양자 과학 센터; 그리고 국방부.
