Los Alamos claimt doorbraak in Quantum Machine Learning: training met kleine hoeveelheden gegevens

Onderzoekers van Los Alamos National Laboratory hebben vandaag een in kwantummachine learning "bewijs" aangekondigd dat volgens hen aantoont dat het regenen van een kwantumneuraal netwerk slechts een kleine hoeveelheid gegevens vereist, "(uppenderende) eerdere aannames die voortvloeien uit de enorme honger van klassieke computers naar gegevens in machine learning , of kunstmatige intelligentie.”

Het lab zei dat de stelling directe toepassingen heeft, waaronder efficiëntere compilatie voor kwantumcomputers en het onderscheiden van fasen van materie voor het ontdekken van materialen.

"Veel mensen geloven dat kwantummachine learning veel gegevens vereist", zegt Lukasz Cincio (T-4), een kwantumtheoreticus uit Los Alamos en co-auteur van het artikel met het bewijs dat op 23 augustus in het tijdschrift is gepubliceerd. Nature Communications. “We hebben rigoureus aangetoond dat dit voor veel relevante problemen niet het geval is.

De krant, Generalisatie in het leren van kwantummachines op basis van weinig trainingsgegevens, is van Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles en Cincio.

"Dit biedt nieuwe hoop voor het leren van kwantummachines", zei hij. "We dichten de kloof tussen wat we vandaag hebben en wat nodig is voor kwantumvoordeel, wanneer kwantumcomputers beter presteren dan klassieke computers."

AI-systemen hebben gegevens nodig om de neurale netwerken te trainen om onzichtbare gegevens in echte toepassingen te herkennen - te generaliseren naar -. Er werd aangenomen dat het aantal parameters, of variabelen, zou worden bepaald door de grootte van een wiskundige constructie, een Hilbert-ruimte genaamd, die exponentieel groot wordt voor training over grote aantallen qubits, zei Los Alamos in zijn aankondiging. Die omvang maakte deze benadering rekenkundig bijna onmogelijk.

"De behoefte aan grote datasets had een wegversperring kunnen zijn voor kwantum-AI, maar ons werk verwijdert deze wegversperring. Hoewel andere problemen voor kwantum-AI nog steeds kunnen bestaan, weten we nu tenminste dat de grootte van de dataset geen probleem is”, zegt Coles (T-4), een kwantumtheoreticus in het laboratorium en co-auteur van het artikel.

"Het is moeilijk voor te stellen hoe groot de Hilbert-ruimte is: een ruimte van een miljard staten, zelfs als je maar 30 qubits hebt", zei Coles. "Het trainingsproces voor kwantum-AI vindt plaats in deze enorme ruimte. Je zou kunnen denken dat het zoeken door deze ruimte een miljard datapunten zou vereisen om je te begeleiden. Maar we hebben laten zien dat je maar zoveel gegevenspunten nodig hebt als het aantal parameters in je model. Dat is vaak ongeveer gelijk aan het aantal qubits - dus slechts ongeveer 30 datapunten, "zei Coles.

Een belangrijk aspect van de resultaten, zei Cincio, is dat ze efficiëntiegaranties opleveren, zelfs voor klassieke algoritmen die quantum AI-modellen simuleren, zodat de trainingsgegevens en compilatie vaak op een klassieke computer kunnen worden verwerkt, wat het proces vereenvoudigt. Vervolgens draait het machinaal geleerde model op een kwantumcomputer.

"Dat betekent dat we de vereiste voor de prestatiekwaliteit die we nodig hebben van de kwantumcomputer, met betrekking tot ruis en fouten, kunnen verlagen om zinvolle kwantumsimulaties uit te voeren, waardoor het kwantumvoordeel steeds dichter bij de realiteit komt", zei Cincio.

De versnelling als gevolg van het nieuwe bewijs heeft dramatische praktische toepassingen. Het team ontdekte dat ze konden garanderen dat een kwantummodel kan worden gecompileerd of voorbereid voor verwerking op een kwantumcomputer, in veel minder rekenpoorten, in verhouding tot de hoeveelheid gegevens. Compileren, een cruciale toepassing voor de kwantumcomputerindustrie, kan een lange reeks operationele poorten verkleinen of de kwantumdynamiek van een systeem in een poortreeks veranderen.

"Onze stelling zal leiden tot veel betere compilatietools voor kwantumcomputing", zei Cincio. "Vooral met de luidruchtige, middelgrote kwantumcomputers waar elke poort telt, wil je zo min mogelijk poorten gebruiken, zodat je niet te veel ruis oppikt, wat fouten veroorzaakt."

Het team toonde ook aan dat een kwantum-AI kwantumtoestanden kan classificeren tijdens een faseovergang na training op een zeer kleine dataset, zei Los Alamos.

"Het classificeren van de fasen van kwantummaterie is belangrijk voor de materiaalwetenschap en relevant voor de missie van Los Alamos", zegt Andrew Sornborger (CCS-3), directeur van het Quantum Science Center van het laboratorium en co-auteur van het artikel. "Deze materialen zijn complex en hebben meerdere verschillende fasen, zoals supergeleidende en magnetische fasen."

Het maken van materialen met gewenste eigenschappen, zoals supergeleiding, omvat het begrijpen van het fasediagram, zei Sornborger, waarvan het team aantoonde dat het kon worden ontdekt door een machine-learningsysteem met minimale training.

Andere mogelijke toepassingen van de nieuwe stelling zijn het leren van kwantumfoutcorrigerende codes en kwantumdynamische simulaties.

"De efficiëntie van de nieuwe methode overtrof onze verwachtingen", zegt Marco Cerezo (CCS-3), een Los Alamos-expert in quantum machine learning. "We kunnen bepaalde, zeer grote kwantumbewerkingen binnen enkele minuten samenstellen met heel weinig trainingspunten - iets dat voorheen niet mogelijk was."

"We konden lange tijd niet geloven dat de methode zo efficiënt zou werken", zegt Cincio. “Met de compiler blijkt uit onze numerieke analyse dat het zelfs beter is dan we kunnen bewijzen. We hoeven maar op een klein aantal staten te trainen van de miljarden die mogelijk zijn. We hoeven niet elke optie aan te vinken, maar slechts een paar. Dit vereenvoudigt de training enorm.”

De financiering (alleen Los Alamos co-auteurs): ASC Beyond Moore's Law-project in Los Alamos National Laboratory; US Department of Energy Office of Science, Office of Advanced Scientific Computing Research Accelerated Research in Quantum Computing-programma; Laboratoriumgericht onderzoeks- en ontwikkelingsprogramma bij Los Alamos National Laboratory; DOE Office of Science, National Quantum Information Science Research Centers, Quantum Science Center; en Ministerie van Defensie.