لاس الاموس نے کوانٹم مشین لرننگ بریک تھرو کا دعویٰ کیا: ڈیٹا کی چھوٹی مقدار کے ساتھ تربیت

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.”

لیب نے کہا کہ تھیوریم میں براہ راست ایپلی کیشنز ہیں، بشمول کوانٹم کمپیوٹرز کے لیے زیادہ موثر کمپائلنگ اور مواد کی دریافت کے لیے مادے کے مختلف مراحل۔

"بہت سے لوگوں کا خیال ہے کہ کوانٹم مشین لرننگ کے لیے بہت زیادہ ڈیٹا کی ضرورت ہوگی،" لوکاز سنسیو (T-4)، لاس الاموس کے کوانٹم تھیوریسٹ اور جریدے میں 23 اگست کو شائع ہونے والے ثبوت پر مشتمل مقالے کے شریک مصنف نے کہا۔ فطرت، قدرت مواصلات. "ہم نے سختی سے دکھایا ہے کہ بہت سے متعلقہ مسائل کے لیے، ایسا نہیں ہے۔

کاغذ، کچھ تربیتی اعداد و شمار سے کوانٹم مشین لرننگ میں عام کرنا، Matthias C. Caro، Hsin-Yuan Huang، Cerezo، Kunal شرما، Sornborger، Patrick Coles اور Cincio کی طرف سے ہے۔

"یہ کوانٹم مشین لرننگ کے لیے نئی امید فراہم کرتا ہے،" انہوں نے کہا۔ "ہم اس فرق کو ختم کر رہے ہیں جو آج ہمارے پاس ہے اور کوانٹم فائدے کے لیے کیا ضروری ہے، جب کوانٹم کمپیوٹر کلاسیکی کمپیوٹرز سے بہتر کارکردگی کا مظاہرہ کرتے ہیں۔"

AI سسٹمز کو عصبی نیٹ ورکس کو تربیت دینے کے لیے ڈیٹا کی ضرورت ہوتی ہے تاکہ وہ حقیقی ایپلی کیشنز میں نادیدہ ڈیٹا کو پہچان سکیں۔ لاس الاموس نے اپنے اعلان میں کہا کہ یہ فرض کیا گیا تھا کہ پیرامیٹرز، یا متغیرات کی تعداد کا تعین ریاضیاتی تعمیر کے سائز سے کیا جائے گا جسے ہلبرٹ اسپیس کہا جاتا ہے، جو کہ بڑی تعداد میں کوئبٹس پر تربیت کے لیے تیزی سے بڑا ہو جاتا ہے۔ اس سائز نے اس نقطہ نظر کو کمپیوٹیشنل طور پر تقریباً ناممکن قرار دیا۔

"بڑے ڈیٹا سیٹس کی ضرورت کوانٹم AI کی راہ میں رکاوٹ بن سکتی تھی، لیکن ہمارا کام اس رکاوٹ کو دور کرتا ہے۔ اگرچہ کوانٹم AI کے دیگر مسائل اب بھی موجود ہوسکتے ہیں، کم از کم اب ہم جانتے ہیں کہ ڈیٹا سیٹ کا سائز کوئی مسئلہ نہیں ہے،'' لیب میں کوانٹم تھیوریسٹ اور مقالے کے شریک مصنف کولس (T-4) نے کہا۔

کولس نے کہا کہ "یہ تصور کرنا مشکل ہے کہ ہلبرٹ کی جگہ کتنی وسیع ہے: ایک ارب ریاستوں کی جگہ یہاں تک کہ جب آپ کے پاس صرف 30 کیوبٹس ہوں۔" "کوانٹم AI کی تربیت کا عمل اس وسیع جگہ کے اندر ہوتا ہے۔ آپ سوچ سکتے ہیں کہ اس جگہ کو تلاش کرنے کے لیے آپ کی رہنمائی کے لیے ایک ارب ڈیٹا پوائنٹس کی ضرورت ہوگی۔ لیکن ہم نے دکھایا کہ آپ کو صرف اتنے ہی ڈیٹا پوائنٹس کی ضرورت ہے جتنے آپ کے ماڈل میں پیرامیٹرز کی تعداد۔ یہ اکثر کوئبٹس کی تعداد کے برابر ہوتا ہے - لہذا صرف 30 ڈیٹا پوائنٹس،" کولز نے کہا۔

Cincio نے کہا کہ نتائج کا ایک اہم پہلو یہ ہے کہ وہ کلاسیکل الگورتھم کے لیے بھی کارکردگی کی ضمانت دیتے ہیں جو کوانٹم AI ماڈلز کی تقلید کرتے ہیں، اس لیے تربیتی ڈیٹا اور تالیف کو اکثر کلاسیکل کمپیوٹر پر ہینڈل کیا جا سکتا ہے، جو اس عمل کو آسان بناتا ہے۔ پھر مشین سے سیکھا ماڈل کوانٹم کمپیوٹر پر چلتا ہے۔

"اس کا مطلب ہے کہ ہم کارکردگی کے معیار کی ضرورت کو کم کر سکتے ہیں جس کی ہمیں کوانٹم کمپیوٹر سے ضرورت ہے، شور اور غلطیوں کے حوالے سے، بامعنی کوانٹم سمولیشنز انجام دینے کے لیے، جو کوانٹم فائدہ کو حقیقت کے قریب اور قریب دھکیلتا ہے،" سنسیو نے کہا۔

نئے ثبوت کے نتیجے میں ہونے والی رفتار میں ڈرامائی عملی اطلاقات ہیں۔ ٹیم نے پایا کہ وہ اس بات کی ضمانت دے سکتے ہیں کہ کوانٹم ماڈل مرتب کیا جا سکتا ہے، یا کوانٹم کمپیوٹر پر پروسیسنگ کے لیے تیار کیا جا سکتا ہے، ڈیٹا کی مقدار کے مقابلے بہت کم کمپیوٹیشنل گیٹس میں۔ کمپائلنگ، کوانٹم کمپیوٹنگ انڈسٹری کے لیے ایک اہم ایپلی کیشن، آپریشنل گیٹس کے ایک طویل سلسلے کو سکڑ سکتی ہے یا سسٹم کی کوانٹم ڈائنامکس کو گیٹ سیکوئنس میں تبدیل کر سکتی ہے۔

"ہمارا نظریہ کوانٹم کمپیوٹنگ کے لیے بہت بہتر تالیف کے ٹولز کا باعث بنے گا،" سنسیو نے کہا۔ "خاص طور پر آج کے شور مچانے والے، درمیانے درجے کے کوانٹم کمپیوٹرز کے ساتھ جہاں ہر گیٹ کا شمار ہوتا ہے، آپ زیادہ سے زیادہ گیٹس استعمال کرنا چاہتے ہیں تاکہ آپ زیادہ شور نہ اٹھائیں، جس کی وجہ سے خرابیاں ہوتی ہیں۔"

لاس الاموس نے کہا کہ ٹیم نے یہ بھی ظاہر کیا کہ ایک کوانٹم AI بہت چھوٹے ڈیٹا سیٹ پر تربیت کے بعد ایک مرحلے کی منتقلی میں کوانٹم ریاستوں کی درجہ بندی کر سکتا ہے۔

لیبارٹری میں کوانٹم سائنس سنٹر کے ڈائریکٹر اور مقالے کے شریک مصنف اینڈریو سورن بورگر (CCS-3) نے کہا کہ "کوانٹم مادے کے مراحل کی درجہ بندی کرنا مادی سائنس کے لیے اہم ہے اور لاس الاموس کے مشن سے متعلق ہے۔" "یہ مواد پیچیدہ ہیں، جن کے متعدد الگ الگ مراحل ہیں جیسے سپر کنڈکٹنگ اور مقناطیسی مراحل۔"

سورن بورگر نے کہا کہ مطلوبہ خصلتوں کے ساتھ مواد بنانا، جیسے سپر کنڈکٹیویٹی، فیز ڈایاگرام کو سمجھنا شامل ہے، جسے ٹیم نے ثابت کیا کہ کم سے کم تربیت کے ساتھ مشین لرننگ سسٹم کے ذریعے دریافت کیا جا سکتا ہے۔

نئے تھیوریم کی دیگر ممکنہ ایپلی کیشنز میں کوانٹم ایرر درست کرنے والے کوڈز اور کوانٹم ڈائنامیکل سمولیشن سیکھنا شامل ہیں۔

کوانٹم مشین لرننگ میں لاس الاموس کے ماہر مارکو سیریزو (CCS-3) نے کہا کہ نئے طریقہ کار کی کارکردگی ہماری توقعات سے زیادہ ہے۔ "ہم بہت کم ٹریننگ پوائنٹس کے ساتھ منٹوں میں کچھ، بہت بڑے کوانٹم آپریشنز کو مرتب کر سکتے ہیں - ایسی چیز جو پہلے ممکن نہیں تھی۔"

سنسیو نے کہا کہ "ایک طویل عرصے تک، ہم یقین نہیں کر سکتے تھے کہ یہ طریقہ اتنا مؤثر طریقے سے کام کرے گا۔" کمپائلر کے ساتھ، ہمارا عددی تجزیہ ظاہر کرتا ہے کہ یہ اس سے بھی بہتر ہے جو ہم ثابت کر سکتے ہیں۔ ہمیں اربوں میں سے صرف چند ریاستوں کی تربیت کرنی ہے جو ممکن ہے۔ ہمیں ہر آپشن کو چیک کرنے کی ضرورت نہیں ہے، لیکن صرف چند۔ یہ تربیت کو بہت آسان بناتا ہے۔"

دی فنڈنگ ​​(صرف لاس الاموس کے شریک مصنفین): لاس الاموس نیشنل لیبارٹری میں اے ایس سی بیونڈ مورز لا پروجیکٹ؛ یو ایس ڈیپارٹمنٹ آف انرجی آفس آف سائنس، آفس آف ایڈوانسڈ سائنٹیفک کمپیوٹنگ ریسرچ ایکسلریٹڈ ریسرچ ان کوانٹم کمپیوٹنگ پروگرام؛ لاس الاموس نیشنل لیبارٹری میں لیبارٹری ڈائریکٹڈ ریسرچ اینڈ ڈیولپمنٹ پروگرام؛ DOE آفس آف سائنس، نیشنل کوانٹم انفارمیشن سائنس ریسرچ سینٹرز، کوانٹم سائنس سینٹر؛ اور محکمہ دفاع۔