Лос-Аламос заявляє про прорив у квантовому машинному навчанні: навчання з невеликими обсягами даних

Дослідники з Національної лабораторії Лос-Аламоса сьогодні оголосили про «доказ» квантового машинного навчання, який, за їхніми словами, показує, що для створення квантової нейронної мережі потрібна лише невелика кількість даних, «(перевернувши) попередні припущення, що випливають із величезного апетиту класичних обчислень до даних у машинному навчанні. , або штучний інтелект».

Лабораторія заявила, що теорема має пряме застосування, включаючи більш ефективну компіляцію для квантових комп’ютерів і розрізнення фаз матерії для відкриття матеріалів.

«Багато людей вважають, що для квантового машинного навчання знадобиться багато даних», — сказав Лукаш Сінчіо (T-4), квантовий теоретик із Лос-Аламоса та співавтор статті, яка містить докази, опубліковані 23 серпня в журналі. Природа зв'язку. «Ми чітко показали, що для багатьох актуальних проблем це не так.

Папір, Узагальнення в квантовому машинному навчанні на основі кількох навчальних даних, створено Матіасом С. Каро, Сінь-Юань Хуангом, Серезо, Куналом Шармою, Сорнборгером, Патріком Коулзом і Сінсіо.

«Це дає нову надію на квантове машинне навчання», — сказав він. «Ми скорочуємо розрив між тим, що маємо сьогодні, і тим, що необхідно для квантової переваги, коли квантові комп’ютери перевершують класичні».

Системам ШІ потрібні дані, щоб навчити нейронні мережі розпізнавати — узагальнювати — невидимі дані в реальних програмах. Передбачалося, що кількість параметрів або змінних буде визначатися розміром математичної конструкції, що називається простором Гільберта, який стає експоненціально великим для навчання на великій кількості кубітів, йдеться в повідомленні Лос-Аламоса. Такий розмір зробив цей підхід майже неможливим з точки зору обчислень.

«Потреба у великих наборах даних могла стати перешкодою для квантового ШІ, але наша робота усуває цю перешкоду. Хоча інші проблеми для квантового ШІ все ще можуть існувати, принаймні тепер ми знаємо, що розмір набору даних не є проблемою», — сказав Коулз (T-4), квантовий теоретик лабораторії та співавтор статті.

«Важко уявити, наскільки величезним є простір Гільберта: простір із мільярдів станів, навіть якщо у вас лише 30 кубітів», — сказав Коулз. «Процес навчання квантового ШІ відбувається всередині цього величезного простору. Ви можете подумати, що для пошуку в цьому просторі знадобиться мільярд точок даних, щоб керувати вам. Але ми показали, що вам потрібно лише стільки точок даних, скільки параметрів у вашій моделі. Це часто приблизно дорівнює кількості кубітів — отже, лише близько 30 точок даних», — сказав Коулз.

Одним із ключових аспектів результатів, сказав Сінсіо, є те, що вони дають гарантії ефективності навіть для класичних алгоритмів, які імітують квантові моделі штучного інтелекту, тому навчальні дані та компіляцію часто можна обробляти на класичному комп’ютері, що спрощує процес. Потім модель з машинним навчанням запускається на квантовому комп’ютері.

«Це означає, що ми можемо знизити вимоги до якості продуктивності, яка нам потрібна від квантового комп’ютера, щодо шуму та помилок, щоб виконувати значиме квантове моделювання, що наближає квантову перевагу до реальності», — сказав Сінсіо.

Прискорення в результаті нового доказу має драматичні практичні застосування. Команда виявила, що вони можуть гарантувати, що квантова модель може бути скомпільована або підготовлена ​​для обробки на квантовому комп’ютері з набагато меншою кількістю обчислювальних воріт відносно обсягу даних. Компіляція, важливий додаток для індустрії квантових обчислень, може скоротити довгу послідовність операційних воріт або перетворити квантову динаміку системи на шлейф-послідовність.

«Наша теорема призведе до набагато кращих інструментів компіляції для квантових обчислень», — сказав Сінсіо. «Особливо з сучасними галасливими квантовими комп’ютерами середнього масштабу, де кожен вентиль важливий, ви хочете використовувати якомога менше вентилів, щоб не ловити занадто багато шуму, який спричиняє помилки».

Команда також показала, що квантовий штучний інтелект може класифікувати квантові стани через фазовий перехід після навчання на дуже малому наборі даних, сказав Лос-Аламос.

«Класифікація фаз квантової матерії важлива для матеріалознавства та має відношення до місії Лос-Аламоса», — сказав Ендрю Сорнборгер (CCS-3), директор Центру квантової науки в Лабораторії та співавтор статті. «Ці матеріали складні, мають кілька різних фаз, таких як надпровідні та магнітні фази».

За словами Сорнборгера, створення матеріалів із бажаними властивостями, такими як надпровідність, передбачає розуміння фазової діаграми, яку, як довела команда, можна виявити за допомогою системи машинного навчання з мінімальною підготовкою.

Інші потенційні застосування нової теореми включають вивчення кодів квантового виправлення помилок і квантового динамічного моделювання.

«Ефективність нового методу перевершила наші очікування», — сказав Марко Серезо (CCS-3), експерт із квантового машинного навчання Лос-Аламоса. «Ми можемо скомпілювати певні, дуже великі квантові операції за лічені хвилини з дуже невеликою кількістю точок навчання — те, що раніше було неможливо».

«Довгий час ми не могли повірити, що метод спрацює настільки ефективно», — сказав Сінсіо. «З компілятором наш числовий аналіз показує, що це навіть краще, ніж ми можемо довести. Ми маємо тренуватися лише на невеликій кількості станів із мільярдів можливих. Ми не повинні перевіряти кожен варіант, а лише деякі. Це надзвичайно спрощує навчання».

Фінансування (тільки для співавторів у Лос-Аламосі): проект ASC Beyond Moore's Law у Національній лабораторії Лос-Аламоса; Управління науки Міністерства енергетики США, Управління перспективних наукових обчислювальних досліджень Програма прискорених досліджень квантових обчислень; Програма лабораторних досліджень і розвитку в Національній лабораторії Лос-Аламоса; Управління науки DOE, Національні дослідницькі центри квантової інформації, Центр квантової науки; та Міністерство оборони.