Los Alamos reivindica a descoberta do aprendizado de máquina quântico: treinamento com pequenas quantidades de dados

Pesquisadores do Laboratório Nacional de Los Alamos anunciaram hoje uma “prova” de aprendizado de máquina quântica que, segundo eles, mostra que chover uma rede neural quântica requer apenas uma pequena quantidade de dados, “(invertendo) suposições anteriores decorrentes do enorme apetite da computação clássica por dados em aprendizado de máquina , ou inteligência artificial.

O laboratório disse que o teorema tem aplicações diretas, incluindo compilação mais eficiente para computadores quânticos e distinção de fases da matéria para descoberta de materiais.

“Muitas pessoas acreditam que o aprendizado de máquina quântica exigirá muitos dados”, disse Lukasz Cincio (T-4), teórico quântico de Los Alamos e coautor do artigo contendo a prova publicado em 23 de agosto na revista. Natureza das Comunicações. “Mostramos com rigor que, para muitos problemas relevantes, esse não é o caso.

O papel, Generalização em aprendizado de máquina quântico a partir de poucos dados de treinamento, é de Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles e Cincio.

“Isso fornece uma nova esperança para o aprendizado de máquina quântica”, disse ele. “Estamos fechando a lacuna entre o que temos hoje e o que é necessário para a vantagem quântica, quando os computadores quânticos superam os computadores clássicos.”

Os sistemas de IA precisam de dados para treinar as redes neurais para reconhecer – generalizar – dados não vistos em aplicativos reais. Supunha-se que o número de parâmetros, ou variáveis, seria determinado pelo tamanho de uma construção matemática chamada espaço de Hilbert, que se torna exponencialmente grande para treinamento em grandes números de qubits, disse Los Alamos em seu anúncio. Esse tamanho tornou essa abordagem quase impossível computacionalmente.

“A necessidade de grandes conjuntos de dados pode ter sido um obstáculo para a IA quântica, mas nosso trabalho remove esse obstáculo. Embora outros problemas para a IA quântica ainda possam existir, pelo menos agora sabemos que o tamanho do conjunto de dados não é um problema”, disse Coles (T-4), teórico quântico do laboratório e coautor do artigo.

“É difícil imaginar o quão vasto é o espaço de Hilbert: um espaço de um bilhão de estados, mesmo quando você tem apenas 30 qubits”, disse Coles. “O processo de treinamento para IA quântica acontece dentro desse vasto espaço. Você pode pensar que pesquisar por esse espaço exigiria um bilhão de pontos de dados para guiá-lo. Mas mostramos que você só precisa de tantos pontos de dados quanto o número de parâmetros em seu modelo. Isso geralmente é aproximadamente igual ao número de qubits – portanto, apenas cerca de 30 pontos de dados”, disse Coles.

Um aspecto importante dos resultados, disse Cincio, é que eles fornecem garantias de eficiência mesmo para algoritmos clássicos que simulam modelos de IA quântica, de modo que os dados de treinamento e a compilação geralmente podem ser tratados em um computador clássico, o que simplifica o processo. Em seguida, o modelo aprendido por máquina é executado em um computador quântico.

“Isso significa que podemos diminuir o requisito de qualidade de desempenho que precisamos do computador quântico, com relação a ruídos e erros, para realizar simulações quânticas significativas, o que aproxima a vantagem quântica da realidade”, disse Cincio.

A aceleração resultante da nova prova tem aplicações práticas dramáticas. A equipe descobriu que poderia garantir que um modelo quântico possa ser compilado ou preparado para processamento em um computador quântico, em muito menos portas computacionais, em relação à quantidade de dados. A compilação, uma aplicação crucial para a indústria de computação quântica, pode reduzir uma longa sequência de portas operacionais ou transformar a dinâmica quântica de um sistema em uma sequência de portas.

“Nosso teorema levará a ferramentas de compilação muito melhores para computação quântica”, disse Cincio. “Especialmente com os computadores quânticos barulhentos e de escala intermediária de hoje, onde cada portão conta, você deseja usar o menor número possível de portas para não captar muito ruído, o que causa erros.”

A equipe também mostrou que uma IA quântica poderia classificar estados quânticos em uma transição de fase após o treinamento em um conjunto de dados muito pequeno, disse Los Alamos.

“Classificar as fases da matéria quântica é importante para a ciência dos materiais e relevante para a missão de Los Alamos”, disse Andrew Sornborger (CCS-3), diretor do Centro de Ciências Quânticas do Laboratório e coautor do artigo. “Esses materiais são complexos, com várias fases distintas, como fases supercondutoras e magnéticas.”

Criar materiais com características desejadas, como supercondutividade, envolve entender o diagrama de fases, disse Sornborger, que a equipe provou que pode ser descoberto por um sistema de aprendizado de máquina com treinamento mínimo.

Outras aplicações potenciais do novo teorema incluem aprender códigos de correção de erros quânticos e simulações dinâmicas quânticas.

“A eficiência do novo método superou nossas expectativas”, disse Marco Cerezo (CCS-3), especialista em Los Alamos em aprendizado de máquina quântica. “Podemos compilar certas operações quânticas muito grandes em minutos com muito poucos pontos de treinamento – algo que não era possível anteriormente.”

“Durante muito tempo, não podíamos acreditar que o método funcionaria com tanta eficiência”, disse Cincio. “Com o compilador, nossa análise numérica mostra que é ainda melhor do que podemos provar. Nós só temos que treinar em um pequeno número de estados dos bilhões que são possíveis. Não precisamos marcar todas as opções, mas apenas algumas. Isso simplifica tremendamente o treinamento.”

O Financiamento (Los Alamos co-autores apenas): Projeto ASC Além da Lei de Moore no Laboratório Nacional de Los Alamos; Departamento de Energia dos EUA Escritório de Ciência, Escritório de Pesquisa de Computação Científica Avançada Programa de Pesquisa Acelerada em Computação Quântica; Programa de Pesquisa e Desenvolvimento Dirigido a Laboratório no Laboratório Nacional de Los Alamos; Escritório de Ciência do DOE, Centros Nacionais de Pesquisa em Ciência da Informação Quântica, Centro de Ciência Quântica; e Departamento de Defesa.