Los Alamos อ้างว่าการพัฒนาการเรียนรู้ของเครื่องควอนตัม: การฝึกอบรมด้วยข้อมูลจำนวนเล็กน้อย

ในวันนี้ นักวิจัยที่ห้องปฏิบัติการแห่งชาติลอสอาลามอสได้ประกาศ “ข้อพิสูจน์” ในการเรียนรู้ด้วยเครื่องควอนตัมในเชิงควอนตัม ซึ่งแสดงให้เห็นว่าการทำให้เครือข่ายประสาทควอนตัมตกต้องใช้ข้อมูลเพียงเล็กน้อย “(พลิกกลับ) สมมติฐานก่อนหน้านี้อันเนื่องมาจากความต้องการข้อมูลในการเรียนรู้ของเครื่องอย่างมหาศาลของคอมพิวเตอร์แบบคลาสสิก หรือปัญญาประดิษฐ์”

ห้องปฏิบัติการกล่าวว่าทฤษฎีบทนี้มีการใช้งานโดยตรง รวมถึงการคอมไพล์คอมพิวเตอร์ควอนตัมที่มีประสิทธิภาพมากขึ้น และการแยกเฟสของสสารสำหรับการค้นพบวัสดุ

"หลายคนเชื่อว่าการเรียนรู้ของเครื่องควอนตัมจะต้องใช้ข้อมูลจำนวนมาก" Lukasz Cincio (T-4) นักทฤษฎีควอนตัมของ Los Alamos และผู้เขียนร่วมของบทความที่มีหลักฐานเผยแพร่เมื่อวันที่ 23 สิงหาคมในวารสารกล่าว การสื่อสารธรรมชาติ. “เราได้แสดงให้เห็นอย่างจริงจังแล้วว่าสำหรับปัญหาที่เกี่ยวข้องมากมาย นี่ไม่ใช่กรณี

กระดาษ, ลักษณะทั่วไปในการเรียนรู้ของเครื่องควอนตัมจากข้อมูลการฝึกอบรมเพียงเล็กน้อย, คือโดย Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles และ Cincio

"นี่เป็นความหวังใหม่สำหรับการเรียนรู้ของเครื่องควอนตัม" เขากล่าว “เรากำลังปิดช่องว่างระหว่างสิ่งที่เรามีในปัจจุบันกับสิ่งที่จำเป็นเพื่อความได้เปรียบของควอนตัม เมื่อคอมพิวเตอร์ควอนตัมมีประสิทธิภาพเหนือกว่าคอมพิวเตอร์แบบดั้งเดิม”

ระบบ AI ต้องการข้อมูลในการฝึกให้โครงข่ายประสาทรับรู้ — ทั่วไป — ข้อมูลที่มองไม่เห็นในการใช้งานจริง สันนิษฐานว่าจำนวนพารามิเตอร์หรือตัวแปรจะถูกกำหนดโดยขนาดของโครงสร้างทางคณิตศาสตร์ที่เรียกว่าสเปซฮิลแบร์ตซึ่งมีขนาดใหญ่มากสำหรับการฝึกอบรม qubits จำนวนมาก Los Alamos กล่าวในการประกาศ ขนาดนั้นทำให้วิธีนี้แทบจะเป็นไปไม่ได้ในการคำนวณ

“ความต้องการชุดข้อมูลขนาดใหญ่อาจเป็นสิ่งกีดขวางบนถนนสำหรับ AI ควอนตัม แต่งานของเราได้ขจัดสิ่งกีดขวางบนถนนนี้ ในขณะที่ปัญหาอื่นๆ สำหรับ AI ควอนตัมยังคงมีอยู่ อย่างน้อยตอนนี้เราก็รู้แล้วว่าขนาดของชุดข้อมูลไม่ใช่ปัญหา” โคลส์ (T-4) นักทฤษฎีควอนตัมจากห้องปฏิบัติการและผู้เขียนร่วมกล่าว

“มันยากที่จะจินตนาการว่าพื้นที่ของฮิลเบิร์ตกว้างใหญ่เพียงใด: พื้นที่หนึ่งพันล้านรัฐแม้ว่าคุณจะมี 30 qubits เท่านั้น” โคลส์กล่าว “กระบวนการฝึกอบรมสำหรับ AI ควอนตัมเกิดขึ้นในพื้นที่กว้างใหญ่นี้ คุณอาจคิดว่าการค้นหาในพื้นที่นี้จะต้องใช้จุดข้อมูลนับพันล้านจุดเพื่อแนะนำคุณ แต่เราแสดงให้เห็นว่าคุณต้องการจุดข้อมูลมากเท่ากับจำนวนพารามิเตอร์ในแบบจำลองของคุณ ซึ่งมักจะเท่ากับจำนวน qubits โดยประมาณ — ดังนั้นมีเพียง 30 จุดข้อมูลเท่านั้น” Coles กล่าว

Cincio กล่าวว่าแง่มุมสำคัญประการหนึ่งของผลลัพธ์คือประสิทธิภาพรับประกันแม้กระทั่งอัลกอริธึมแบบคลาสสิกที่จำลองโมเดล AI ควอนตัม ดังนั้นข้อมูลการฝึกอบรมและการรวบรวมมักจะสามารถจัดการบนคอมพิวเตอร์แบบคลาสสิก ซึ่งทำให้กระบวนการง่ายขึ้น จากนั้นโมเดลที่เรียนรู้ด้วยเครื่องจะทำงานบนคอมพิวเตอร์ควอนตัม

"นั่นหมายความว่าเราสามารถลดข้อกำหนดสำหรับคุณภาพประสิทธิภาพที่เราต้องการจากคอมพิวเตอร์ควอนตัม ในแง่ของเสียงและข้อผิดพลาด เพื่อทำการจำลองควอนตัมที่มีความหมาย ซึ่งผลักดันความได้เปรียบของควอนตัมให้เข้าใกล้ความเป็นจริงมากขึ้น" ซินซิโอกล่าว

การเพิ่มความเร็วอันเป็นผลมาจากการพิสูจน์ใหม่นี้มีการใช้งานจริงอย่างมาก ทีมงานพบว่าพวกเขาสามารถรับประกันได้ว่าแบบจำลองควอนตัมสามารถคอมไพล์หรือเตรียมพร้อมสำหรับการประมวลผลบนคอมพิวเตอร์ควอนตัมโดยใช้เกตการคำนวณน้อยกว่ามากเมื่อเทียบกับปริมาณข้อมูล การคอมไพล์ ซึ่งเป็นแอปพลิเคชันที่สำคัญสำหรับอุตสาหกรรมการคำนวณควอนตัม สามารถลดลำดับเกตการทำงานที่ยาวเหยียด หรือเปลี่ยนการเปลี่ยนแปลงของควอนตัมของระบบให้เป็นลำดับเกต

"ทฤษฎีบทของเราจะนำไปสู่เครื่องมือการรวบรวมที่ดีขึ้นมากสำหรับการคำนวณควอนตัม" Cincio กล่าว “โดยเฉพาะอย่างยิ่งกับคอมพิวเตอร์ควอนตัมระดับกลางที่มีเสียงดังในปัจจุบัน ซึ่งทุกเกตมีค่า คุณต้องการใช้เกทน้อยที่สุดเท่าที่จะเป็นไปได้ เพื่อไม่ให้เกิดเสียงรบกวนมากเกินไป ซึ่งทำให้เกิดข้อผิดพลาด”

ทีมยังแสดงให้เห็นว่า AI ควอนตัมสามารถจำแนกสถานะควอนตัมในช่วงการเปลี่ยนผ่านหลังจากการฝึกอบรมเกี่ยวกับชุดข้อมูลขนาดเล็กมาก Los Alamos กล่าว

Andrew Sornborger (CCS-3) ผู้อำนวยการศูนย์วิทยาศาสตร์ควอนตัมของห้องปฏิบัติการและผู้เขียนร่วมกล่าวว่า "การจำแนกเฟสของสสารควอนตัมมีความสำคัญต่อวัสดุศาสตร์และเกี่ยวข้องกับภารกิจของลอส อาลามอส" "วัสดุเหล่านี้มีความซับซ้อน โดยมีเฟสที่แตกต่างกันหลายเฟส เช่น ตัวนำยิ่งยวดและเฟสแม่เหล็ก"

การสร้างวัสดุที่มีคุณสมบัติตามที่ต้องการ เช่น การนำยิ่งยวด เกี่ยวข้องกับการทำความเข้าใจแผนภาพเฟส Sornborger กล่าว ซึ่งทีมพิสูจน์แล้วว่าสามารถค้นพบได้โดยระบบการเรียนรู้ด้วยเครื่องที่มีการฝึกอบรมเพียงเล็กน้อย

การประยุกต์ใช้ที่เป็นไปได้อื่น ๆ ของทฤษฎีบทใหม่ ได้แก่ การเรียนรู้รหัสแก้ไขข้อผิดพลาดควอนตัมและการจำลองควอนตัมไดนามิก

“ประสิทธิภาพของวิธีการใหม่นั้นเกินความคาดหมายของเรา” Marco Cerezo (CCS-3) ผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่องควอนตัมของ Los Alamos กล่าว “เราสามารถรวบรวมการดำเนินการควอนตัมขนาดใหญ่บางอย่างได้ภายในไม่กี่นาทีด้วยคะแนนการฝึกอบรมน้อยมาก ซึ่งเป็นสิ่งที่ไม่สามารถทำได้ก่อนหน้านี้”

“เป็นเวลานานแล้วที่เราไม่สามารถเชื่อได้ว่าวิธีการนี้จะได้ผล” Cincio กล่าว “ด้วยคอมไพเลอร์ การวิเคราะห์เชิงตัวเลขของเราแสดงให้เห็นว่าดีกว่าที่เราจะพิสูจน์ได้ เราต้องฝึกอบรมในรัฐจำนวนเล็กน้อยเท่านั้นจากจำนวนหลายพันล้านที่เป็นไปได้ เราไม่จำเป็นต้องตรวจสอบทุกตัวเลือก แต่มีเพียงไม่กี่ตัวเลือกเท่านั้น สิ่งนี้ทำให้การฝึกอบรมง่ายขึ้นอย่างมาก”

เงินทุน (ผู้เขียนร่วม Los Alamos เท่านั้น): โครงการ ASC Beyond Moore's Law ที่ห้องปฏิบัติการแห่งชาติ Los Alamos; สำนักงานวิทยาศาสตร์พลังงานสหรัฐ สำนักงานวิจัยคอมพิวเตอร์วิทยาศาสตร์ขั้นสูงเร่งวิจัยในโปรแกรมคอมพิวเตอร์ควอนตัม; โครงการวิจัยและพัฒนาการกำกับห้องปฏิบัติการที่ห้องปฏิบัติการแห่งชาติลอสอาลามอส; สำนักงานวิทยาศาสตร์ DOE, ศูนย์วิจัยวิทยาศาสตร์ข้อมูลควอนตัมแห่งชาติ, ศูนย์วิทยาศาสตร์ควอนตัม; และกระทรวงกลาโหม