Los Alamos tuyên bố đột phá về học máy lượng tử: Đào tạo với lượng dữ liệu nhỏ

Các nhà nghiên cứu tại Phòng thí nghiệm Quốc gia Los Alamos hôm nay đã công bố một “bằng chứng” trong học máy lượng tử mà họ nói cho thấy rằng mạng nơ-ron lượng tử chỉ yêu cầu một lượng nhỏ dữ liệu, “(tăng thêm) các giả định trước đây xuất phát từ sự thèm muốn khổng lồ của máy tính cổ điển đối với dữ liệu trong học máy , hoặc trí tuệ nhân tạo. ”

Phòng thí nghiệm cho biết định lý này có các ứng dụng trực tiếp, bao gồm việc biên dịch hiệu quả hơn cho máy tính lượng tử và phân biệt các giai đoạn của vật chất để khám phá vật liệu.

Lukasz Cincio (T-4), một nhà lý thuyết lượng tử của Los Alamos và đồng tác giả của bài báo có chứa bằng chứng được công bố ngày 23 tháng XNUMX trên tạp chí. Nature Communications. “Chúng tôi đã chỉ ra một cách chặt chẽ rằng đối với nhiều vấn đề liên quan, không phải như vậy.

Giấy, Tổng quát hóa trong học máy lượng tử từ một vài dữ liệu đào tạo, là của Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles và Cincio.

Ông nói: “Điều này mang lại hy vọng mới cho việc học máy lượng tử. "Chúng tôi đang thu hẹp khoảng cách giữa những gì chúng ta có ngày nay và những gì cần thiết cho lợi thế lượng tử, khi máy tính lượng tử vượt trội hơn máy tính cổ điển."

Hệ thống AI cần dữ liệu để huấn luyện mạng nơ-ron nhận biết - tổng quát hóa thành - dữ liệu không nhìn thấy trong các ứng dụng thực. Los Alamos cho biết trong thông báo của mình, người ta đã giả định rằng số lượng tham số hoặc biến sẽ được xác định bởi kích thước của một cấu trúc toán học gọi là không gian Hilbert. Kích thước đó khiến cách tiếp cận này gần như không thể tính toán được.

“Nhu cầu về các tập dữ liệu lớn có thể là rào cản đối với AI lượng tử, nhưng công việc của chúng tôi đã loại bỏ rào cản này. Coles (T-4), một nhà lý thuyết lượng tử tại phòng thí nghiệm và đồng tác giả của bài báo cho biết: Trong khi các vấn đề khác đối với AI lượng tử vẫn có thể tồn tại, ít nhất bây giờ chúng ta biết rằng kích thước của tập dữ liệu không phải là một vấn đề.

Coles nói: “Thật khó để tưởng tượng không gian Hilbert rộng lớn như thế nào: một không gian có hàng tỷ trạng thái ngay cả khi bạn chỉ có 30 qubit”. “Quá trình đào tạo AI lượng tử diễn ra bên trong không gian rộng lớn này. Bạn có thể nghĩ rằng việc tìm kiếm trong không gian này sẽ cần hàng tỷ điểm dữ liệu để hướng dẫn bạn. Nhưng chúng tôi đã chỉ ra rằng bạn chỉ cần nhiều điểm dữ liệu bằng số lượng thông số trong mô hình của bạn. Con số đó thường gần bằng số qubit - vì vậy chỉ có khoảng 30 điểm dữ liệu, ”Coles nói.

Một khía cạnh quan trọng của kết quả, Cincio nói, là chúng mang lại sự đảm bảo hiệu quả ngay cả đối với các thuật toán cổ điển mô phỏng các mô hình AI lượng tử, do đó, dữ liệu đào tạo và biên dịch thường có thể được xử lý trên một máy tính cổ điển, giúp đơn giản hóa quy trình. Sau đó, mô hình máy học chạy trên một máy tính lượng tử.

“Điều đó có nghĩa là chúng tôi có thể hạ thấp yêu cầu về chất lượng hiệu suất mà chúng tôi cần từ máy tính lượng tử, đối với tiếng ồn và lỗi, để thực hiện các mô phỏng lượng tử có ý nghĩa, điều này thúc đẩy lợi thế lượng tử ngày càng gần hơn với thực tế,” Cincio nói.

Việc tăng tốc độ thu được từ chứng minh mới có các ứng dụng thực tế đáng kể. Nhóm nghiên cứu nhận thấy rằng họ có thể đảm bảo rằng một mô hình lượng tử có thể được biên dịch hoặc chuẩn bị để xử lý trên máy tính lượng tử, với ít cổng tính toán hơn nhiều so với lượng dữ liệu. Biên dịch, một ứng dụng quan trọng cho ngành điện toán lượng tử, có thể thu nhỏ một chuỗi dài các cổng hoạt động hoặc biến động lực lượng tử của một hệ thống thành một chuỗi cổng.

“Định lý của chúng tôi sẽ dẫn đến các công cụ biên dịch tốt hơn nhiều cho tính toán lượng tử,” Cincio nói. “Đặc biệt là với các máy tính lượng tử quy mô trung gian, ồn ào ngày nay, nơi mọi cổng đều có giá trị, bạn muốn sử dụng càng ít cổng càng tốt để không nhận quá nhiều tiếng ồn gây ra lỗi.”

Nhóm nghiên cứu cũng chỉ ra rằng một AI lượng tử có thể phân loại các trạng thái lượng tử qua quá trình chuyển pha sau khi huấn luyện trên một tập dữ liệu rất nhỏ, Los Alamos cho biết.

Andrew Sornborger (CCS-3), giám đốc Trung tâm Khoa học Lượng tử tại Phòng thí nghiệm và là đồng tác giả của bài báo cho biết: “Việc phân loại các giai đoạn của vật chất lượng tử là quan trọng đối với khoa học vật liệu và liên quan đến sứ mệnh của Los Alamos. “Những vật liệu này rất phức tạp, có nhiều pha riêng biệt như pha siêu dẫn và pha từ tính”.

Sornborger cho biết, việc tạo ra các vật liệu có các đặc điểm mong muốn, chẳng hạn như tính siêu dẫn, liên quan đến việc hiểu sơ đồ pha, mà nhóm đã chứng minh có thể được phát hiện bởi một hệ thống máy học với sự đào tạo tối thiểu.

Các ứng dụng tiềm năng khác của định lý mới bao gồm học mã sửa lỗi lượng tử và mô phỏng động lượng tử.

Marco Cerezo (CCS-3), một chuyên gia về máy học lượng tử của Los Alamos cho biết: “Hiệu quả của phương pháp mới vượt quá mong đợi của chúng tôi. “Chúng tôi có thể biên dịch một số phép toán lượng tử rất lớn trong vòng vài phút với rất ít điểm huấn luyện - điều mà trước đây không thể thực hiện được”.

“Trong một thời gian dài, chúng tôi không thể tin rằng phương pháp này lại hoạt động hiệu quả như vậy,” Cincio nói. “Với trình biên dịch, phân tích số của chúng tôi cho thấy nó thậm chí còn tốt hơn những gì chúng tôi có thể chứng minh. Chúng tôi chỉ phải đào tạo ở một số tiểu bang trong số hàng tỷ tiểu bang có thể. Chúng tôi không phải kiểm tra mọi tùy chọn, nhưng chỉ một số tùy chọn. Điều này giúp đơn giản hóa việc đào tạo một cách đáng kể. ”

Nguồn vốn (chỉ các đồng tác giả của Los Alamos): Dự án ASC Beyond Moore's Law tại Phòng thí nghiệm Quốc gia Los Alamos; Văn phòng Khoa học của Bộ Năng lượng Hoa Kỳ, Văn phòng Nghiên cứu Máy tính Khoa học Tiên tiến Chương trình Nghiên cứu Gia tốc trong Máy tính Lượng tử; Chương trình Nghiên cứu và Phát triển Chỉ đạo Phòng thí nghiệm tại Phòng thí nghiệm Quốc gia Los Alamos; Văn phòng Khoa học DOE, Trung tâm Nghiên cứu Khoa học Thông tin Lượng tử Quốc gia, Trung tâm Khoa học Lượng tử; và Bộ Quốc phòng.