Прорывное доказательство открывает путь для квантового ИИ

Новая теорема демонстрирует, что сверточные нейронные сети всегда можно обучить на квантовых компьютерах, преодолевая угрозу «бесплодных плато» в задачах оптимизации, сообщает sciencedaily.

Сверточные нейронные сети, работающие на квантовых компьютерах, вызвали много шума из-за своего потенциала анализировать квантовые данные лучше, чем классические компьютеры.

Хотя фундаментальная проблема разрешимости, известная как «бесплодные плато», ограничивает применение этих нейронных сетей для больших наборов данных, новое исследование преодолевает эту ахиллесову пяту с помощью строгого доказательства, гарантирующего масштабируемость.

«То, как вы создаете квантовую нейронную сеть, может привести к бесплодному плато – или нет», – сказал Марко Сересо, соавтор статьи под названием «Отсутствие бесплодных плато в квантовых сверточных нейронных сетях», опубликованной вчера, 18 октября, командой Лос-Аламосской национальной лаборатории в Physical Review X.

Сересо – физик, специализирующийся на квантовых вычислениях, квантовом машинном обучении и квантовой информации в Лос-Аламосе.

«Мы доказали отсутствие бесплодных плато для особого типа квантовой нейронной сети. Наша работа обеспечивает гарантии обучаемости для этой архитектуры, что означает, что можно в общем обучать ее параметры».

В качестве методологии искусственного интеллекта (ИИ) квантовые сверточные нейронные сети вдохновлены зрительной корой головного мозга.

По сути, они включают в себя серию сверточных слоев или фильтров, чередующихся со слоями объединения, которые уменьшают размерность данных, сохраняя при этом важные особенности набора данных.

Эти нейронные сети могут использоваться для решения ряда задач, от распознавания изображений до обнаружения материалов.

Преодоление бесплодных плато является ключом к раскрытию всего потенциала квантовых компьютеров в приложениях искусственного интеллекта и демонстрации их превосходства над классическими компьютерами.

По словам Сересо, до сих пор исследователи квантового машинного обучения анализировали, как смягчить последствия бесплодных плато, но у них не было теоретической основы, чтобы полностью избежать этого.

Работа в Лос-Аламосе показывает, что некоторые квантовые нейронные сети на самом деле невосприимчивы к бесплодным плато.

«Имея эту гарантию, исследователи теперь смогут анализировать данные квантового компьютера о квантовых системах и использовать эту информацию для изучения свойств материалов или открытия новых материалов, среди других приложений», – сказал Патрик Коулз, квантовый физик из Лос-Аламоса и соавтор статьи.

По мнению Коулза, появится гораздо больше приложений для квантовых алгоритмов ИИ, поскольку исследователи будут чаще использовать квантовые компьютеры в ближайшем будущем и генерировать все больше и больше данных – все программы машинного обучения требуют данных.

Как избежать исчезающего градиента

«Всякая надежда на квантовое ускорение или преимущество потеряно, если у вас будет бесплодное плато», – сказал Сересо.

Суть проблемы – это «исчезающий градиент» в области оптимизации.

Ландшафт состоит из холмов и долин, и цель состоит в том, чтобы обучить параметры модели, чтобы найти решение, исследуя географию ландшафта.

Решение обычно лежит на дне самой нижней долины, так сказать. Но на плоском ландшафте нельзя тренировать параметры, потому что сложно определить, в каком направлении двигаться.

Эта проблема становится особенно актуальной, когда количество функций данных увеличивается.

Фактически, ландшафт становится экспоненциально плоским с увеличением размера объекта.

Следовательно, при наличии бесплодного плато квантовая нейронная сеть не может быть увеличена.

Команда Лос-Аламоса разработала новый графический подход для анализа масштабирования в квантовой нейронной сети и доказательства ее обучаемости.

Более 40 лет физики считали, что квантовые компьютеры могут оказаться полезными для моделирования и понимания квантовых систем частиц, которые подавляют обычные классические компьютеры.

Ожидается, что тип квантовой сверточной нейронной сети, надежность которой доказали исследования в Лос-Аламосе, найдет полезные применения при анализе данных квантового моделирования.

«Область квантового машинного обучения еще молода», – сказал Коулз.

“Есть известная цитата о лазерах, когда они были впервые обнаружены, в которой говорится, что они являются решением в поисках проблемы. Теперь лазеры используются повсюду. Точно так же многие из нас подозревают, что квантовые данные станут доступными, а затем квантовое машинное обучение наберет обороты”.

Например, по словам Коулза, исследования сосредоточены на керамических материалах как высокотемпературных сверхпроводниках, которые могут улучшить транспортировку без трения, такую ​​как поезда на магнитной подушке.

Но анализ данных о большом количестве фаз материала, на которые влияют температура, давление и примеси в этих материалах, и классификация фаз – это огромная задача, выходящая за рамки возможностей классических компьютеров.

Используя масштабируемую квантовую нейронную сеть, квантовый компьютер мог бы просеивать обширный набор данных о различных состояниях данного материала и соотносить эти состояния с фазами, чтобы определить оптимальное состояние для высокотемпературного сверхпроводника.