Los Alamos trdi, da je dosegel preboj kvantnega strojnega učenja: usposabljanje z majhnimi količinami podatkov

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.”

Laboratorij je dejal, da ima teorem neposredne aplikacije, vključno z učinkovitejšim prevajanjem za kvantne računalnike in razlikovanjem faz snovi za odkrivanje materialov.

"Mnogi ljudje verjamejo, da bo kvantno strojno učenje zahtevalo veliko podatkov," je dejal Lukasz Cincio (T-4), kvantni teoretik iz Los Alamosa in soavtor članka, ki vsebuje dokaz, objavljen 23. avgusta v reviji. Nature Communications. »Strogo smo dokazali, da za številne pomembne težave to ne drži.

Papir, Posploševanje kvantnega strojnega učenja iz nekaj podatkov o usposabljanju, avtorji Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles in Cincio.

"To daje novo upanje za kvantno strojno učenje," je dejal. "Zapolnjujemo vrzel med tem, kar imamo danes, in tistim, kar je potrebno za kvantno prednost, ko kvantni računalniki prekašajo klasične računalnike."

Sistemi umetne inteligence potrebujejo podatke za usposabljanje nevronskih mrež za prepoznavanje – posploševanje – nevidnih podatkov v resničnih aplikacijah. Predpostavljeno je bilo, da bo število parametrov ali spremenljivk določeno z velikostjo matematičnega konstrukta, imenovanega Hilbertov prostor, ki postane eksponentno velik za usposabljanje na velikem številu kubitov, je dejal Los Alamos v svoji objavi. Zaradi te velikosti je ta pristop računsko skoraj nemogoč.

»Potreba po velikih naborih podatkov bi lahko bila ovira za kvantno umetno inteligenco, vendar naše delo odpravlja to oviro. Čeprav lahko še vedno obstajajo druge težave za kvantno umetno inteligenco, zdaj vsaj vemo, da velikost nabora podatkov ni problem,« je dejal Coles (T-4), kvantni teoretik v laboratoriju in soavtor prispevka.

"Težko si je predstavljati, kako velik je Hilbertov prostor: prostor milijarde stanj, tudi če imate samo 30 kubitov," je dejal Coles. »Proces usposabljanja za kvantno umetno inteligenco poteka znotraj tega ogromnega prostora. Morda mislite, da bi iskanje po tem prostoru zahtevalo milijardo podatkovnih točk, ki bi vas vodile. Vendar smo pokazali, da potrebujete le toliko podatkovnih točk, kot je število parametrov v vašem modelu. To je pogosto približno enako številu kubitov – torej le približno 30 podatkovnih točk,« je dejal Coles.

Eden ključnih vidikov rezultatov, je dejal Cincio, je, da zagotavljajo učinkovitost tudi za klasične algoritme, ki simulirajo kvantne modele umetne inteligence, tako da je mogoče podatke o usposabljanju in kompilacijo pogosto obdelati na klasičnem računalniku, kar poenostavi postopek. Nato strojno naučeni model teče na kvantnem računalniku.

"To pomeni, da lahko znižamo zahtevo po kakovosti delovanja, ki jo potrebujemo od kvantnega računalnika, v zvezi s šumom in napakami, da izvajamo smiselne kvantne simulacije, ki kvantno prednost potiskajo vse bližje realnosti," je dejal Cincio.

Pospešitev, ki izhaja iz novega dokaza, ima dramatično praktično uporabo. Ekipa je ugotovila, da lahko zagotovijo, da je mogoče kvantni model sestaviti ali pripraviti za obdelavo na kvantnem računalniku v veliko manj računalniških vratih glede na količino podatkov. Prevajanje, ključna aplikacija za industrijo kvantnega računalništva, lahko skrči dolgo zaporedje operativnih vrat ali spremeni kvantno dinamiko sistema v zaporedje vrat.

"Naš izrek bo vodil do veliko boljših orodij za kompilacijo za kvantno računalništvo," je dejal Cincio. "Zlasti pri današnjih hrupnih kvantnih računalnikih srednjega obsega, kjer štejejo vsaka vrata, želite uporabiti čim manj vrat, da ne zaznate preveč hrupa, ki povzroča napake."

Ekipa je tudi pokazala, da lahko kvantna umetna inteligenca razvrsti kvantna stanja v faznem prehodu po usposabljanju na zelo majhnem nizu podatkov, je dejal Los Alamos.

"Razvrstitev faz kvantne snovi je pomembna za znanost o materialih in pomembna za misijo Los Alamosa," je povedal Andrew Sornborger (CCS-3), direktor Centra za kvantno znanost v Laboratoriju in soavtor prispevka. "Ti materiali so kompleksni in imajo več različnih faz, kot so superprevodne in magnetne faze."

Ustvarjanje materialov z želenimi lastnostmi, kot je superprevodnost, vključuje razumevanje faznega diagrama, je dejal Sornborger, za katerega je ekipa dokazala, da ga lahko odkrije sistem strojnega učenja z minimalnim usposabljanjem.

Druge možne uporabe novega izreka vključujejo učenje kod za kvantno odpravljanje napak in kvantne dinamične simulacije.

»Učinkovitost nove metode je presegla naša pričakovanja,« je povedal Marco Cerezo (CCS-3), strokovnjak za kvantno strojno učenje v Los Alamosu. "Določene, zelo velike kvantne operacije lahko sestavimo v nekaj minutah z zelo malo točkami usposabljanja - nekaj, kar prej ni bilo mogoče."

"Dolgo časa nismo mogli verjeti, da bo metoda delovala tako učinkovito," je dejal Cincio. »S prevajalnikom naša numerična analiza kaže, da je celo boljši, kot lahko dokažemo. Usposabljati se moramo le v majhnem številu držav od milijard možnih. Ni nam treba preveriti vsake možnosti, ampak le nekaj. To izjemno poenostavi usposabljanje.«

Financiranje (samo soavtorji Los Alamosa): projekt ASC Beyond Moore's Law v Nacionalnem laboratoriju Los Alamos; Urad za znanost Ministrstva za energijo ZDA, Urad za raziskave naprednega znanstvenega računalništva Pospešene raziskave v programu kvantnega računalništva; Laboratorijski usmerjen raziskovalni in razvojni program v Nacionalnem laboratoriju Los Alamos; Urad za znanost DOE, Nacionalni raziskovalni centri za kvantno informacijsko znanost, Center za kvantno znanost; in Ministrstvo za obrambo.