Los Alamos twierdzi, że przełom w uczeniu maszynowym kwantowym: szkolenie z wykorzystaniem niewielkich ilości danych

Naukowcy z Los Alamos National Laboratory ogłosili dziś „dowód” w dziedzinie kwantowego uczenia maszynowego, który, jak mówią, pokazuje, że deszcz kwantowej sieci neuronowej wymaga tylko niewielkiej ilości danych, „(nieaktualne) poprzednie założenia wynikające z ogromnego apetytu klasycznego informatyki na dane w uczeniu maszynowym lub sztuczna inteligencja”.

Laboratorium stwierdziło, że twierdzenie ma bezpośrednie zastosowania, w tym bardziej wydajne kompilowanie dla komputerów kwantowych i rozróżnianie faz materii do odkrywania materiałów.

„Wiele osób uważa, że ​​uczenie maszyn kwantowych będzie wymagało dużej ilości danych” – powiedział Łukasz Cincio (T-4), teoretyk kwantowy z Los Alamos i współautor artykułu zawierającego dowód opublikowany 23 sierpnia w czasopiśmie. Nature Communications. „Rygorystycznie pokazaliśmy, że w przypadku wielu istotnych problemów tak nie jest.

Papier, Uogólnienie w kwantowym uczeniu maszynowym na podstawie kilku danych treningowych, autorstwa Matthiasa C. Caro, Hsin-Yuan Huanga, Cerezo, Kunal Sharma, Sornborgera, Patricka Colesa i Cincio.

„To daje nową nadzieję na uczenie maszyn kwantowych” – powiedział. „Zamykamy lukę między tym, co mamy dzisiaj, a tym, co jest potrzebne do przewagi kwantowej, gdy komputery kwantowe przewyższają klasyczne komputery”.

Systemy sztucznej inteligencji potrzebują danych, aby wytrenować sieci neuronowe w rozpoznawaniu — uogólnianiu — niewidocznych danych w rzeczywistych zastosowaniach. Założono, że liczba parametrów lub zmiennych będzie określona przez rozmiar matematycznego konstruktu zwanego przestrzenią Hilberta, która staje się wykładniczo duża w przypadku uczenia się na dużej liczbie kubitów, powiedział Los Alamos w swoim ogłoszeniu. Ten rozmiar sprawiał, że takie podejście było prawie niemożliwe obliczeniowo.

„Potrzeba dużych zbiorów danych mogła być przeszkodą dla kwantowej sztucznej inteligencji, ale nasza praca usuwa tę przeszkodę. Chociaż inne problemy związane z kwantową sztuczną inteligencją mogą nadal istnieć, przynajmniej teraz wiemy, że rozmiar zestawu danych nie stanowi problemu” – powiedział Coles (T-4), teoretyk kwantowy w laboratorium i współautor artykułu.

„Trudno sobie wyobrazić, jak rozległa jest przestrzeń Hilberta: przestrzeń miliarda stanów, nawet jeśli masz tylko 30 kubitów” – powiedział Coles. „Proces szkolenia dla kwantowej sztucznej inteligencji odbywa się w tej ogromnej przestrzeni. Możesz pomyśleć, że przeszukiwanie tej przestrzeni wymagałoby miliarda punktów danych, aby cię poprowadzić. Ale pokazaliśmy, że potrzebujesz tylko tylu punktów danych, ile jest parametrów w twoim modelu. Często jest to z grubsza równe liczbie kubitów — a więc tylko około 30 punktów danych — powiedział Coles.

Jednym z kluczowych aspektów wyników, powiedział Cincio, jest to, że dają one gwarancje wydajności nawet w przypadku klasycznych algorytmów symulujących modele kwantowej sztucznej inteligencji, więc dane treningowe i kompilacje często można obsługiwać na klasycznym komputerze, co upraszcza proces. Następnie model uczący się maszynowo działa na komputerze kwantowym.

„Oznacza to, że możemy obniżyć wymagania dotyczące jakości wydajności, której potrzebujemy od komputera kwantowego, w odniesieniu do szumu i błędów, aby wykonywać znaczące symulacje kwantowe, co przybliża przewagę kwantową do rzeczywistości” – powiedział Cincio.

Przyspieszenie wynikające z nowego dowodu ma dramatyczne zastosowania praktyczne. Zespół odkrył, że mogą zagwarantować, że model kwantowy można skompilować lub przygotować do przetwarzania na komputerze kwantowym przy znacznie mniejszej liczbie bramek obliczeniowych w stosunku do ilości danych. Kompilacja, kluczowa aplikacja dla branży obliczeń kwantowych, może zmniejszyć długą sekwencję bramek operacyjnych lub zamienić dynamikę kwantową systemu w sekwencję bramek.

„Nasze twierdzenie doprowadzi do znacznie lepszych narzędzi do kompilacji dla obliczeń kwantowych” – powiedział Cincio. „Szczególnie w przypadku dzisiejszych hałaśliwych komputerów kwantowych o średniej skali, w których liczy się każda bramka, chcesz użyć jak najmniejszej liczby bramek, aby nie wychwycić zbyt dużego szumu, który powoduje błędy”.

Zespół wykazał również, że kwantowa sztuczna inteligencja może klasyfikować stany kwantowe w przejściu fazowym po treningu na bardzo małym zestawie danych, powiedział Los Alamos.

„Klasyfikacja faz materii kwantowej jest ważna dla materiałoznawstwa i ma znaczenie dla misji Los Alamos” – powiedział Andrew Sornborger (CCS-3), dyrektor Centrum Nauki Kwantowej w Laboratorium i współautor artykułu. „Materiały te są złożone i mają wiele odrębnych faz, takich jak fazy nadprzewodzące i magnetyczne”.

Sornborger powiedział, że tworzenie materiałów o pożądanych cechach, takich jak nadprzewodnictwo, wymaga zrozumienia diagramu fazowego, który, jak udowodnił zespół, może zostać odkryty przez system uczenia maszynowego przy minimalnym przeszkoleniu.

Inne potencjalne zastosowania nowego twierdzenia obejmują uczenie się kodów korekcji błędów kwantowych i kwantowych symulacji dynamicznych.

„Skuteczność nowej metody przekroczyła nasze oczekiwania” – powiedział Marco Cerezo (CCS-3), ekspert z Los Alamos w dziedzinie kwantowego uczenia maszynowego. „Możemy skompilować pewne, bardzo duże operacje kwantowe w ciągu kilku minut z bardzo małą liczbą punktów treningowych – coś, co wcześniej nie było możliwe”.

„Przez długi czas nie mogliśmy uwierzyć, że ta metoda zadziała tak skutecznie” – powiedział Cincio. „W przypadku kompilatora nasza analiza numeryczna pokazuje, że jest nawet lepszy, niż możemy udowodnić. Musimy trenować tylko w niewielkiej liczbie stanów z miliardów, które są możliwe. Nie musimy sprawdzać wszystkich opcji, ale tylko kilka. To ogromnie upraszcza szkolenie”.

The Funding (tylko współautorzy Los Alamos): Projekt ASC Beyond Moore's Law w Los Alamos National Laboratory; US Department of Energy Office of Science, Office of Advanced Scientific Computing Research Accelerated Research in Quantum Computing program; Laboratoryjny program badawczo-rozwojowy w Los Alamos National Laboratory; DOE Office of Science, Krajowe Centra Badawcze Informatyki Kwantowej, Centrum Nauki Kwantowej; i Departament Obrony.