Los Alamos hävdar kvantmaskininlärning genombrott: träning med små mängder data

Forskare vid Los Alamos National Laboratory tillkännagav idag ett "bevis" inom kvantmaskininlärning som de säger visar att regn av ett kvantneuralt nätverk endast kräver en liten mängd data, "(förväntade) tidigare antaganden som härrörde från klassiska datorers enorma aptit för data i maskininlärning , eller artificiell intelligens."

Laboratoriet sa att teoremet har direkta tillämpningar, inklusive effektivare kompilering för kvantdatorer och särskiljande faser av materia för materialupptäckt.

"Många människor tror att kvantmaskininlärning kommer att kräva mycket data", säger Lukasz Cincio (T-4), en Los Alamos kvantteoretiker och medförfattare till uppsatsen som innehåller beviset som publicerades den 23 augusti i tidskriften Nature Communications. "Vi har rigoröst visat att för många relevanta problem är detta inte fallet.

Pappret, Generalisering i kvantmaskininlärning från få träningsdata, är av Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles och Cincio.

"Detta ger nytt hopp för kvantmaskininlärning," sa han. "Vi minskar gapet mellan vad vi har idag och vad som behövs för kvantfördelar, när kvantdatorer överträffar klassiska datorer."

AI-system behöver data för att träna de neurala nätverken att känna igen - generalisera till - osynliga data i verkliga applikationer. Det hade antagits att antalet parametrar, eller variabler, skulle bestämmas av storleken på en matematisk konstruktion som kallas ett Hilbert-utrymme, som blir exponentiellt stort för träning över ett stort antal qubits, sa Los Alamos i sitt tillkännagivande. Den storleken gjorde detta tillvägagångssätt nästan omöjligt beräkningsmässigt.

"Behovet av stora datamängder kunde ha varit en vägspärr för kvant-AI, men vårt arbete tar bort denna vägspärr. Medan andra problem för kvant-AI fortfarande kan finnas, vet vi åtminstone nu att storleken på datamängden inte är ett problem, säger Coles (T-4), en kvantteoretiker vid labbet och medförfattare till uppsatsen.

"Det är svårt att föreställa sig hur stort Hilbert-utrymmet är: ett utrymme på en miljard stater även när du bara har 30 qubits," sa Coles. "Träningsprocessen för quantum AI sker i detta enorma utrymme. Du kanske tror att det skulle krävas en miljard datapunkter för att vägleda dig för att söka igenom det här utrymmet. Men vi visade att du bara behöver så många datapunkter som antalet parametrar i din modell. Det är ofta ungefär lika med antalet qubits - så bara cirka 30 datapunkter, säger Coles.

En nyckelaspekt av resultaten, sa Cincio, är att de ger effektivitetsgarantier även för klassiska algoritmer som simulerar kvant-AI-modeller, så träningsdata och kompilering kan ofta hanteras på en klassisk dator, vilket förenklar processen. Sedan körs den maskininlärda modellen på en kvantdator.

"Det betyder att vi kan sänka kravet på den prestandakvalitet som vi behöver från kvantdatorn, med avseende på brus och fel, för att utföra meningsfulla kvantsimuleringar, vilket driver kvantfördelen närmare och närmare verkligheten," sa Cincio.

Hastigheten till följd av det nya beviset har dramatiska praktiska tillämpningar. Teamet fann att de kunde garantera att en kvantmodell kan kompileras, eller förberedas för bearbetning på en kvantdator, i mycket färre beräkningsgrindar, i förhållande till mängden data. Kompilering, en avgörande applikation för kvantberäkningsindustrin, kan krympa en lång sekvens av operationella grindar eller förvandla kvantdynamiken i ett system till en grindsekvens.

"Vårt teorem kommer att leda till mycket bättre kompileringsverktyg för kvantberäkning," sa Cincio. "Särskilt med dagens bullriga kvantdatorer i medelstor skala där varje grind räknas, vill du använda så få grindar som möjligt så att du inte plockar upp för mycket brus, vilket orsakar fel."

Teamet visade också att en kvant-AI kunde klassificera kvanttillstånd över en fasövergång efter träning på en mycket liten datamängd, sa Los Alamos.

"Att klassificera faserna av kvantmateria är viktigt för materialvetenskapen och relevant för Los Alamos uppdrag", säger Andrew Sornborger (CCS-3), chef för Quantum Science Center vid laboratoriet och medförfattare till artikeln. "Dessa material är komplexa och har flera distinkta faser som supraledande och magnetiska faser."

Att skapa material med önskade egenskaper, såsom supraledning, innebär att förstå fasdiagrammet, sa Sornborger, som teamet visade kunde upptäckas av ett maskininlärningssystem med minimal träning.

Andra potentiella tillämpningar av det nya teoremet inkluderar inlärning av kvantfelkorrigeringskoder och kvantdynamiska simuleringar.

"Effektiviteten hos den nya metoden överträffade våra förväntningar", säger Marco Cerezo (CCS-3), en Los Alamos-expert inom kvantmaskininlärning. "Vi kan sammanställa vissa, mycket stora kvantoperationer inom några minuter med mycket få träningspoäng - något som tidigare inte var möjligt."

"Länge kunde vi inte tro att metoden skulle fungera så effektivt," sa Cincio. "Med kompilatorn visar vår numeriska analys att det är ännu bättre än vi kan bevisa. Vi behöver bara träna på ett litet antal stater av miljarder som är möjliga. Vi behöver inte kontrollera alla alternativ, utan bara ett fåtal. Detta förenklar träningen enormt.”

Finansieringen (endast Los Alamos medförfattare): ASC Beyond Moores Law-projekt vid Los Alamos National Laboratory; US Department of Energy Office of Science, Office of Advanced Scientific Computing Research Accelererad forskning i Quantum Computing-programmet; Laboratoriestyrt forsknings- och utvecklingsprogram vid Los Alamos National Laboratory; DOE Office of Science, National Quantum Information Science Research Centers, Quantum Science Center; och försvarsdepartementet.