Los Alamos susține o descoperire în domeniul învățării automate cuantice: antrenament cu cantități mici de date

Researchers at Los Alamos National Laboratory today announced a in quantum machine learning “proof” they say shows that raining a quantum neural network requires only a small amount of data, “(upending) previous assumptions stemming from classical computing’s huge appetite for data in machine learning, or artificial intelligence.”

Laboratorul a spus că teorema are aplicații directe, inclusiv compilarea mai eficientă pentru calculatoarele cuantice și distingerea fazelor de materie pentru descoperirea materialelor.

„Mulți oameni cred că învățarea automată cuantică va necesita o mulțime de date”, a spus Lukasz Cicio (T-4), un teoretician cuantic din Los Alamos și coautor al lucrării care conține dovezile publicate pe 23 august în jurnal. Natura Comunicaţii. „Am arătat cu rigurozitate că pentru multe probleme relevante, acesta nu este cazul.

Hârtia, Generalizare în învățarea automată cuantică din puține date de antrenament, este de Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles și Cicio.

„Acest lucru oferă o nouă speranță pentru învățarea automată cuantică”, a spus el. „Reducem decalajul dintre ceea ce avem astăzi și ceea ce este necesar pentru avantajul cuantic, când computerele cuantice depășesc computerele clasice.”

Sistemele AI au nevoie de date pentru a antrena rețelele neuronale să recunoască — să generalizeze la — date nevăzute în aplicații reale. S-a presupus că numărul de parametri sau variabile ar fi determinat de dimensiunea unui construct matematic numit spațiu Hilbert, care devine exponențial mare pentru antrenament pe un număr mare de qubiți, a spus Los Alamos în anunțul său. Această dimensiune a făcut această abordare aproape imposibilă din punct de vedere computațional.

„Nevoia de seturi mari de date ar fi putut fi un obstacol pentru AI cuantică, dar munca noastră înlătură acest obstacol. În timp ce alte probleme pentru IA cuantică ar putea exista încă, cel puțin acum știm că dimensiunea setului de date nu este o problemă”, a spus Coles (T-4), un teoretician cuantic la laborator și coautor al lucrării.

„Este greu de imaginat cât de vast este spațiul Hilbert: un spațiu de un miliard de state chiar și atunci când ai doar 30 de qubiți”, a spus Coles. „Procesul de antrenament pentru IA cuantică are loc în acest spațiu vast. Ai putea crede că căutarea prin acest spațiu ar necesita un miliard de puncte de date pentru a te ghida. Dar am arătat că aveți nevoie doar de atâtea puncte de date cât numărul de parametri din modelul dvs. Acesta este adesea aproximativ egal cu numărul de qubiți – deci doar aproximativ 30 de puncte de date”, a spus Coles.

Un aspect cheie al rezultatelor, a spus Cicio, este că oferă garanții de eficiență chiar și pentru algoritmii clasici care simulează modele cuantice de IA, astfel încât datele de antrenament și compilarea adesea pot fi gestionate pe un computer clasic, ceea ce simplifică procesul. Apoi, modelul învățat de mașină rulează pe un computer cuantic.

„Asta înseamnă că putem reduce cerința de calitate a performanței de care avem nevoie de la computerul cuantic, în ceea ce privește zgomotul și erorile, pentru a efectua simulări cuantice semnificative, ceea ce împinge avantajul cuantic din ce în ce mai aproape de realitate”, a spus Cinio.

Accelerarea rezultată din noua dovadă are aplicații practice dramatice. Echipa a descoperit că ar putea garanta că un model cuantic poate fi compilat sau pregătit pentru procesare pe un computer cuantic, în mult mai puține porți de calcul, în raport cu cantitatea de date. Compilarea, o aplicație crucială pentru industria de calcul cuantic, poate micșora o secvență lungă de porți operaționale sau poate transforma dinamica cuantică a unui sistem într-o secvență de poartă.

„Teorema noastră va duce la instrumente de compilare mult mai bune pentru calculul cuantic”, a spus Cicio. „În special cu calculatoarele cuantice zgomotoase, la scară intermediară, de astăzi, în care fiecare poartă contează, doriți să folosiți cât mai puține porți posibil, astfel încât să nu captați prea mult zgomot, ceea ce provoacă erori.”

Echipa a mai arătat că o inteligență artificială cuantică ar putea clasifica stările cuantice într-o tranziție de fază după antrenamentul pe un set de date foarte mic, a spus Los Alamos.

„Clasificarea fazelor materiei cuantice este importantă pentru știința materialelor și relevantă pentru misiunea Los Alamos”, a spus Andrew Sornborger (CCS-3), director al Centrului de Știință Cuantică din cadrul Laboratorului și coautor al lucrării. „Aceste materiale sunt complexe, având mai multe faze distincte, cum ar fi fazele supraconductoare și magnetice.”

Crearea de materiale cu trăsături dorite, cum ar fi supraconductivitate, implică înțelegerea diagramei de fază, a spus Sornborger, despre care echipa a dovedit că poate fi descoperită printr-un sistem de învățare automată cu o pregătire minimă.

Alte aplicații potențiale ale noii teoreme includ învățarea codurilor de corectare a erorilor cuantice și simulările dinamice cuantice.

„Eficiența noii metode a depășit așteptările noastre”, a spus Marco Cerezo (CCS-3), un expert în Los Alamos în învățarea automată cuantică. „Putem compila anumite operațiuni cuantice foarte mari în câteva minute, cu foarte puține puncte de antrenament – ​​ceva ce nu era posibil anterior.”

„De mult timp, nu ne-a putut crede că metoda va funcționa atât de eficient”, a spus Cicio. „Cu compilator, analiza noastră numerică arată că este chiar mai bine decât putem dovedi. Trebuie să ne antrenăm doar pe un număr mic de state din miliardele care sunt posibile. Nu trebuie să verificăm toate opțiunile, ci doar câteva. Acest lucru simplifică enorm antrenamentul.”

Finanțarea (doar pentru co-autori din Los Alamos): proiectul ASC Beyond Moore's Law la Laboratorul Național Los Alamos; Departamentul de Energie al SUA Biroul de Știință, Biroul de Cercetare în Calcul Științific Avansat Cercetare accelerată în programul de calcul cuantic; Program de cercetare și dezvoltare direcționat de laborator la Laboratorul Național Los Alamos; DOE Office of Science, National Quantum Information Science Research Centers, Quantum Science Center; și Departamentul Apărării.