Los Alamos hevder kvantemaskinlæringsgjennombrudd: Trening med små mengder data

Forskere ved Los Alamos National Laboratory kunngjorde i dag et "bevis" innen kvantemaskinlæring, som de sier viser at å regne et kvantenevralt nettverk krever bare en liten mengde data, "(forestående) tidligere antakelser som stammer fra klassisk databehandlings enorme appetitt på data i maskinlæring , eller kunstig intelligens."

Laboratoriet sa at teoremet har direkte anvendelser, inkludert mer effektiv kompilering for kvantedatamaskiner og å skille faser av materie for materialoppdagelse.

"Mange tror at kvantemaskinlæring vil kreve mye data," sa Lukasz Cincio (T-4), en Los Alamos kvanteteoretiker og medforfatter av papiret som inneholder beviset publisert 23. august i tidsskriftet Nature Communications. "Vi har strengt vist at for mange relevante problemer er dette ikke tilfelle.

Avisen, Generalisering i kvantemaskinlæring fra få treningsdata, er av Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles og Cincio.

"Dette gir nytt håp for kvantemaskinlæring," sa han. "Vi tetter gapet mellom det vi har i dag og det som trengs for kvantefordeler, når kvantedatamaskiner utkonkurrerer klassiske datamaskiner."

AI-systemer trenger data for å trene de nevrale nettverkene til å gjenkjenne – generalisere til – usett data i virkelige applikasjoner. Det hadde blitt antatt at antall parametere, eller variabler, ville bli bestemt av størrelsen på en matematisk konstruksjon kalt et Hilbert-rom, som blir eksponentielt stort for trening over et stort antall qubits, sa Los Alamos i sin kunngjøring. Den størrelsen gjorde denne tilnærmingen nesten umulig beregningsmessig.

"Behovet for store datasett kunne ha vært en veisperring for kvante-AI, men arbeidet vårt fjerner denne veisperringen. Mens andre problemer for kvante-AI fortsatt kan eksistere, vet vi i det minste nå at størrelsen på datasettet ikke er et problem," sa Coles (T-4), en kvanteteoretiker ved laboratoriet og medforfatter av artikkelen.

"Det er vanskelig å forestille seg hvor stort Hilbert-rommet er: et rom på en milliard stater selv når du bare har 30 qubits," sa Coles. "Opplæringsprosessen for kvante-AI skjer i dette enorme rommet. Du tror kanskje at å søke gjennom dette området vil kreve en milliard datapunkter for å veilede deg. Men vi viste at du bare trenger så mange datapunkter som antall parametere i modellen din. Det er ofte omtrent lik antall qubits - så bare rundt 30 datapunkter," sa Coles.

Et sentralt aspekt ved resultatene, sa Cincio, er at de gir effektivitetsgarantier selv for klassiske algoritmer som simulerer kvante-AI-modeller, slik at treningsdata og kompilering ofte kan håndteres på en klassisk datamaskin, noe som forenkler prosessen. Deretter kjører den maskinlærte modellen på en kvantedatamaskin.

"Det betyr at vi kan senke kravet til ytelseskvaliteten som vi trenger fra kvantedatamaskinen, med hensyn til støy og feil, for å utføre meningsfulle kvantesimuleringer, som skyver kvantefordelen nærmere og nærmere virkeligheten," sa Cincio.

Hastigheten som følge av det nye beviset har dramatiske praktiske anvendelser. Teamet fant ut at de kunne garantere at en kvantemodell kan kompileres, eller klargjøres for behandling på en kvantedatamaskin, i langt færre beregningsporter, i forhold til mengden data. Kompilering, en avgjørende applikasjon for kvantedataindustrien, kan krympe en lang sekvens av operasjonelle porter eller gjøre kvantedynamikken til et system til en portsekvens.

"Teoremet vårt vil føre til mye bedre kompileringsverktøy for kvanteberegning," sa Cincio. "Spesielt med dagens støyende kvantedatamaskiner i middels skala der hver port teller, vil du bruke så få porter som mulig slik at du ikke fanger opp for mye støy, noe som forårsaker feil."

Teamet viste også at en kvante-AI kunne klassifisere kvantetilstander over en faseovergang etter trening på et veldig lite datasett, sa Los Alamos.

"Klassifisering av fasene av kvantestoff er viktig for materialvitenskap og relevant for oppdraget til Los Alamos," sa Andrew Sornborger (CCS-3), direktør for Quantum Science Center ved Laboratoriet og medforfatter av artikkelen. "Disse materialene er komplekse og har flere forskjellige faser som superledende og magnetiske faser."

Å lage materialer med ønskede egenskaper, for eksempel superledning, innebærer å forstå fasediagrammet, sa Sornborger, som teamet beviste kunne oppdages av et maskinlæringssystem med minimal trening.

Andre potensielle anvendelser av det nye teoremet inkluderer læring av kvantefeilkorrigerende koder og kvantedynamiske simuleringer.

"Effektiviteten til den nye metoden overgikk forventningene våre," sa Marco Cerezo (CCS-3), en Los Alamos-ekspert på kvantemaskinlæring. "Vi kan kompilere visse, veldig store kvanteoperasjoner i løpet av minutter med svært få treningspoeng - noe som tidligere ikke var mulig."

"I lang tid kunne vi ikke tro at metoden ville fungere så effektivt," sa Cincio. "Med kompilatoren viser vår numeriske analyse at den er enda bedre enn vi kan bevise. Vi trenger bare å trene på et lite antall stater av milliarder som er mulig. Vi trenger ikke sjekke alle alternativer, men bare noen få. Dette forenkler treningen enormt."

Finansieringen (kun Los Alamos-medforfattere): ASC Beyond Moores Law-prosjekt ved Los Alamos National Laboratory; US Department of Energy Office of Science, Office of Advanced Scientific Computing Research Accelerated Research in Quantum Computing-programmet; Laboratorierettet forsknings- og utviklingsprogram ved Los Alamos National Laboratory; DOE Office of Science, National Quantum Information Science Research Centers, Quantum Science Center; og forsvarsdepartementet.