Los Alamos, Kuantum Makine Öğrenimi Atılımı: Küçük Miktarlarda Veriyle Eğitim Talep Ediyor

Los Alamos Ulusal Laboratuvarı'ndaki araştırmacılar bugün, bir kuantum sinir ağını yağmurlamanın yalnızca az miktarda veri gerektirdiğini gösteren bir kuantum makine öğrenimi "kanıtı" duyurdular. veya yapay zeka.”

Laboratuvar, teoremin, kuantum bilgisayarlar için daha verimli derleme ve malzeme keşfi için maddenin fazlarını ayırt etme dahil olmak üzere doğrudan uygulamaları olduğunu söyledi.

Los Alamos kuantum teorisyeni ve 4 Ağustos'ta dergide yayınlanan kanıtı içeren makalenin ortak yazarı Lukasz Cincio (T-23), “Birçok insan kuantum makine öğreniminin çok fazla veri gerektireceğine inanıyor” dedi. Doğa İletişim. “İlgili birçok sorun için durumun böyle olmadığını titizlikle gösterdik.

Kağıt, Birkaç eğitim verisinden kuantum makine öğreniminde genelleme, Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles ve Cincio.

“Bu, kuantum makine öğrenimi için yeni bir umut sağlıyor” dedi. “Kuantum bilgisayarlar klasik bilgisayarlardan daha iyi performans gösterdiğinde, bugün sahip olduklarımız ile kuantum avantajı için gerekenler arasındaki boşluğu kapatıyoruz.”

Yapay zeka sistemleri, gerçek uygulamalarda görünmeyen verileri tanımak - genelleştirmek - için sinir ağlarını eğitmek için verilere ihtiyaç duyar. Los Alamos yaptığı duyuruda, parametre veya değişken sayısının Hilbert uzayı adı verilen ve çok sayıda kübit üzerinde eğitim için katlanarak büyüyen matematiksel bir yapının boyutu tarafından belirleneceği varsayılmıştı. Bu boyut, bu yaklaşımı hesaplama açısından neredeyse imkansız hale getirdi.

"Büyük veri kümelerine duyulan ihtiyaç, kuantum AI için bir engel olabilirdi, ancak çalışmamız bu engeli ortadan kaldırıyor. Laboratuarda kuantum teorisyeni ve makalenin ortak yazarı Coles (T-4), Kuantum AI için başka sorunlar hala mevcut olsa da, en azından şimdi veri kümesinin boyutunun bir sorun olmadığını biliyoruz.

Coles, "Hilbert uzayının ne kadar geniş olduğunu hayal etmek zor: Sadece 30 kübitiniz olduğunda bile bir milyar eyaletten oluşan bir uzay" dedi. “Kuantum AI için eğitim süreci bu geniş alanda gerçekleşir. Bu alanda arama yapmanın size rehberlik etmesi için milyarlarca veri noktası gerektireceğini düşünebilirsiniz. Ancak, modelinizdeki parametre sayısı kadar veri noktasına ihtiyacınız olduğunu gösterdik. Bu genellikle kabaca kübit sayısına eşittir - yani yalnızca yaklaşık 30 veri noktası, "dedi Coles.

Cincio, sonuçların önemli bir yönünün, kuantum AI modellerini simüle eden klasik algoritmalar için bile verimlilik garantileri vermeleri olduğunu, bu nedenle eğitim verilerinin ve derlemenin genellikle klasik bir bilgisayarda ele alınabileceğini ve bu da süreci basitleştirdiğini söyledi. Ardından, makine tarafından öğrenilen model bir kuantum bilgisayarda çalışır.

Cincio, "Bu, kuantum avantajını gerçeğe daha da yaklaştıran anlamlı kuantum simülasyonları gerçekleştirmek için gürültü ve hatalarla ilgili olarak kuantum bilgisayardan ihtiyaç duyduğumuz performans kalitesi gereksinimini azaltabileceğimiz anlamına geliyor." Dedi.

Yeni kanıttan kaynaklanan hızlanma, çarpıcı pratik uygulamalara sahiptir. Ekip, bir kuantum modelinin, veri miktarına göre çok daha az hesaplama kapısında bir kuantum bilgisayarda işlenmek üzere derlenebileceğini veya hazırlanabileceğini garanti edebileceklerini buldu. Kuantum bilgisayar endüstrisi için çok önemli bir uygulama olan derleme, uzun bir operasyonel kapı dizisini küçültebilir veya bir sistemin kuantum dinamiklerini bir kapı dizisine dönüştürebilir.

Cincio, "Teoremimiz, kuantum hesaplama için çok daha iyi derleme araçlarına yol açacak." Dedi. "Özellikle günümüzün gürültülü, orta ölçekli kuantum bilgisayarlarında her kapının önemli olduğu durumlarda, mümkün olduğunca az kapı kullanmak istersiniz, böylece çok fazla gürültü almazsınız, bu da hatalara neden olur."

Los Alamos, ekibin ayrıca çok küçük bir veri setinde eğitimden sonra bir kuantum AI'nın kuantum durumlarını bir faz geçişi boyunca sınıflandırabileceğini gösterdiğini söyledi.

Laboratuvardaki Kuantum Bilim Merkezi direktörü ve makalenin ortak yazarı Andrew Sornborger (CCS-3), “Kuantum maddesinin aşamalarını sınıflandırmak, malzeme bilimi için önemlidir ve Los Alamos'un misyonuyla ilgilidir” dedi. "Bu malzemeler karmaşıktır, süper iletken ve manyetik fazlar gibi birden fazla farklı faza sahiptir."

Sornborger, süperiletkenlik gibi istenen özelliklere sahip malzemeler yaratmanın faz diyagramını anlamayı içerdiğini ve ekibin minimum eğitimle bir makine öğrenme sistemi tarafından keşfedilebileceğini kanıtladığını söyledi.

Yeni teoremin diğer potansiyel uygulamaları, kuantum hata düzeltme kodlarını ve kuantum dinamik simülasyonlarını öğrenmeyi içerir.

Los Alamos'ta kuantum makine öğrenimi uzmanı olan Marco Cerezo (CCS-3), "Yeni yöntemin verimliliği beklentilerimizi aştı" dedi. "Belirli, çok büyük kuantum işlemlerini çok az eğitim noktasıyla dakikalar içinde derleyebiliriz - daha önce mümkün olmayan bir şey."

Cincio, "Uzun bir süre, yöntemin bu kadar verimli çalışacağına inanamadık" dedi. "Derleyici ile sayısal analizimiz, kanıtlayabileceğimizden bile daha iyi olduğunu gösteriyor. Mümkün olan milyarlarca eyaletten yalnızca birkaçı üzerinde eğitim almamız gerekiyor. Her seçeneği değil, sadece birkaçını kontrol etmemiz gerekiyor. Bu, eğitimi büyük ölçüde basitleştiriyor.”

Finansman (yalnızca Los Alamos ortak yazarları): Los Alamos Ulusal Laboratuvarı'nda ASC Beyond Moore's Law projesi; ABD Enerji Bakanlığı Bilim Ofisi, İleri Bilimsel Hesaplama Araştırma Ofisi Kuantum Hesaplama programında Hızlandırılmış Araştırma; Los Alamos Ulusal Laboratuvarı'nda Laboratuvar Yönlendirmeli Araştırma ve Geliştirme programı; DOE Bilim Ofisi, Ulusal Kuantum Bilgi Bilimi Araştırma Merkezleri, Kuantum Bilim Merkezi; ve Savunma Bakanlığı.