Лос-Аламос заявляет о прорыве в квантовом машинном обучении: обучение с малыми объемами данных

Исследователи из Лос-Аламосской национальной лаборатории сегодня объявили о «доказательстве» квантового машинного обучения, которое, по их словам, показывает, что для создания квантовой нейронной сети требуется лишь небольшой объем данных, «(переворачивая) предыдущие предположения, вытекающие из огромного аппетита классических вычислений к данным в машинном обучении. или искусственный интеллект».

В лаборатории заявили, что теорема имеет прямое применение, включая более эффективную компиляцию для квантовых компьютеров и различение фаз материи для открытия материалов.

«Многие люди считают, что квантовое машинное обучение потребует большого количества данных», — сказал Лукаш Синсио (Т-4), квантовый теоретик из Лос-Аламоса и соавтор статьи, содержащей доказательство, опубликованной 23 августа в журнале. Природа связи. «Мы убедительно показали, что для многих актуальных проблем это не так.

Бумага, Обобщение в квантовом машинном обучении на основе небольшого количества обучающих данныхАвторы: Матиас К. Каро, Синь-Юань Хуан, Сересо, Кунал Шарма, Сорнборгер, Патрик Коулз и Чинсио.

«Это дает новую надежду на квантовое машинное обучение», — сказал он. «Мы сокращаем разрыв между тем, что мы имеем сегодня, и тем, что необходимо для квантового преимущества, когда квантовые компьютеры превзойдут классические компьютеры».

Системам искусственного интеллекта нужны данные, чтобы научить нейронные сети распознавать и обобщать невидимые данные в реальных приложениях. Предполагалось, что количество параметров или переменных будет определяться размером математической конструкции, называемой гильбертовым пространством, которая становится экспоненциально большой при обучении на большом количестве кубитов, сообщил Лос-Аламос в своем объявлении. Такой размер сделал этот подход практически невозможным с вычислительной точки зрения.

«Потребность в больших наборах данных могла бы стать препятствием на пути к квантовому ИИ, но наша работа устраняет это препятствие. Хотя другие проблемы с квантовым ИИ все еще могут существовать, по крайней мере, теперь мы знаем, что размер набора данных не является проблемой», — сказал Коулз (Т-4), квантовый теоретик лаборатории и соавтор статьи.

«Трудно представить, насколько огромно гильбертово пространство: пространство миллиарда состояний, даже если у вас всего 30 кубитов», — сказал Коулз. «Процесс обучения квантовому ИИ происходит внутри этого огромного пространства. Вы можете подумать, что для поиска в этом пространстве потребуется миллиард точек данных, которые помогут вам. Но мы показали, что вам нужно ровно столько точек данных, сколько параметров в вашей модели. Часто это примерно равно количеству кубитов — то есть всего около 30 точек данных», — сказал Коулз.

По словам Синсио, одним из ключевых аспектов результатов является то, что они дают гарантии эффективности даже для классических алгоритмов, моделирующих квантовые модели искусственного интеллекта, поэтому данные обучения и их компиляцию часто можно обрабатывать на классическом компьютере, что упрощает процесс. Затем модель машинного обучения запускается на квантовом компьютере.

«Это означает, что мы можем снизить требования к качеству работы, которое нам нужно от квантового компьютера, в отношении шума и ошибок, для выполнения значимых квантовых симуляций, что приближает квантовое преимущество к реальности», — сказал Синчио.

Ускорение, полученное в результате нового доказательства, имеет огромное практическое применение. Команда обнаружила, что они могут гарантировать, что квантовая модель может быть скомпилирована или подготовлена ​​для обработки на квантовом компьютере за гораздо меньшее количество вычислительных элементов по сравнению с объемом данных. Компиляция, важнейшее приложение для индустрии квантовых вычислений, может сократить длинную последовательность операционных вентилей или превратить квантовую динамику системы в последовательность вентилей.

«Наша теорема приведет к созданию гораздо лучших инструментов компиляции для квантовых вычислений», — сказал Чинсио. «Особенно с сегодняшними шумными квантовыми компьютерами среднего масштаба, где важен каждый вентиль, вы хотите использовать как можно меньше вентилей, чтобы не улавливать слишком много шума, который вызывает ошибки».

По словам Лос-Аламоса, команда также показала, что квантовый ИИ может классифицировать квантовые состояния по фазовому переходу после обучения на очень небольшом наборе данных.

«Классификация фаз квантовой материи важна для материаловедения и имеет отношение к миссии Лос-Аламоса», — сказал Эндрю Сорнборгер (CCS-3), директор Центра квантовых наук в лаборатории и соавтор статьи. «Эти материалы сложны и имеют несколько различных фаз, таких как сверхпроводящая и магнитная фазы».

По словам Зорнборгера, создание материалов с желаемыми характеристиками, такими как сверхпроводимость, требует понимания фазовой диаграммы, которую, как доказала команда, можно обнаружить с помощью системы машинного обучения при минимальном обучении.

Другие потенциальные применения новой теоремы включают обучение квантовым кодам, исправляющим ошибки, и квантовое динамическое моделирование.

«Эффективность нового метода превзошла наши ожидания», — сказал Марко Сересо (CCS-3), эксперт по квантовому машинному обучению из Лос-Аламоса. «Мы можем выполнить определенные, очень большие квантовые операции за считанные минуты с очень небольшим количеством обучающих точек — то, что раньше было невозможно».

«Долгое время мы не могли поверить, что метод будет работать так эффективно», — сказал Синсио. «Наш численный анализ показывает, что компилятор работает даже лучше, чем мы можем доказать. Нам нужно тренироваться только на небольшом количестве состояний из миллиардов возможных. Нам не обязательно проверять каждый вариант, а только несколько. Это значительно упрощает обучение».

Финансирование (только соавторы Лос-Аламоса): проект ASC Beyond Moore's Law в Национальной лаборатории Лос-Аламоса; Управление науки Министерства энергетики США, Управление передовых научных компьютерных исследований, программа ускоренных исследований в области квантовых вычислений; Программа исследований и разработок под руководством лаборатории в Национальной лаборатории Лос-Аламоса; Управление науки Министерства энергетики США, Национальные исследовательские центры квантовой информатики, Центр квантовой науки; и Министерство обороны.