Los Alamos väidab, et kvant-masinõppe läbimurre: koolitus väikese andmehulgaga

Los Alamose riikliku labori teadlased teatasid täna kvantmasinõppe "tõestusest", mis nende sõnul näitab, et kvantnärvivõrgu vihmasadu nõuab vaid väikest kogust andmeid, "(tulevad) varasemad eeldused, mis tulenevad klassikalise andmetöötluse tohutust isust masinõppes andmete järele. või tehisintellekt."

Labori sõnul on teoreemil otsesed rakendused, sealhulgas tõhusam kvantarvutite kompileerimine ja ainefaaside eristamine materjalide avastamiseks.

"Paljud inimesed usuvad, et kvantmasinõpe nõuab palju andmeid," ütles Los Alamose kvantteoreetik Lukasz Cincio (T-4) ja 23. augustil ajakirjas avaldatud tõendit sisaldava dokumendi kaasautor. Nature Communications. „Oleme rangelt näidanud, et paljude asjakohaste probleemide puhul see nii ei ole.

Paber Kvantmasinõppe üldistus väheste koolitusandmete põhjal, autor on Matthias C. Caro, Hsin-Yuan Huang, Cerezo, Kunal Sharma, Sornborger, Patrick Coles ja Cincio.

"See annab uue lootuse kvantmasinõppele, " ütles ta. "Me kaotame lõhe selle vahel, mis meil praegu on, ja selle vahel, mida on vaja kvanteelise saavutamiseks, kui kvantarvutid ületavad klassikalisi arvuteid."

AI-süsteemid vajavad andmeid, et koolitada närvivõrke reaalsetes rakendustes nähtamatute andmete äratundmiseks – üldistamiseks. Eeldati, et parameetrite või muutujate arvu määrab matemaatilise konstruktsiooni, mida nimetatakse Hilberti ruumiks, suurus, mis muutub suure hulga kubitide treenimiseks eksponentsiaalselt suureks, ütles Los Alamos oma teadaandes. See suurus muutis selle lähenemisviisi arvutuslikult peaaegu võimatuks.

"Vajadus suurte andmekogumite järele oleks võinud olla kvant-AI-le takistuseks, kuid meie töö eemaldab selle teetõkke. Kuigi teised kvant-AI probleemid võivad endiselt eksisteerida, teame vähemalt nüüd, et andmekogumi suurus ei ole probleem, ”ütles labori kvantteoreetik ja artikli kaasautor Coles (T-4).

"Raske on ette kujutada, kui suur on Hilberti ruum: miljardi oleku ruum isegi siis, kui teil on ainult 30 kubitti," ütles Coles. "Kvant-AI koolitusprotsess toimub selles tohutus ruumis. Võib arvata, et sellest ruumist otsimiseks on vaja miljardit andmepunkti, et teid juhendada. Kuid me näitasime, et teil on vaja ainult nii palju andmepunkte, kui palju parameetreid on teie mudelis. See on sageli ligikaudu võrdne kubitide arvuga - seega ainult umbes 30 andmepunkti," ütles Coles.

Cincio sõnul on tulemuste üks põhiaspektid, et need annavad tõhususe garantiid isegi klassikaliste algoritmide jaoks, mis simuleerivad kvant-AI mudeleid, nii et koolitusandmeid ja kompileerimist saab sageli käsitleda klassikalises arvutis, mis lihtsustab protsessi. Seejärel töötab masinõpitud mudel kvantarvutis.

"See tähendab, et saame alandada kvantarvuti jõudluskvaliteedi nõuet seoses müra ja vigadega, et teostada sisukaid kvantsimulatsioone, mis lükkab kvanteelise reaalsusele üha lähemale," ütles Cincio.

Uuest tõendist tuleneval kiirusel on dramaatilised praktilised rakendused. Meeskond leidis, et nad suudavad tagada, et kvantmudelit saab koostada või kvantarvutis töötlemiseks ette valmistada, võrreldes andmehulgaga võrreldes palju vähemate arvutusväravatega. Kompileerimine, mis on kvantarvutitööstuse jaoks ülioluline rakendus, võib kahandada pikka tööväravate jada või muuta süsteemi kvantdünaamika väravajadaks.

"Meie teoreem viib kvantarvutuste jaoks palju paremate kompileerimisvahenditeni, " ütles Cincio. "Eriti tänapäevaste mürarikaste keskmise mastaabiga kvantarvutite puhul, kus iga värav loeb, soovite kasutada võimalikult vähe väravaid, et te ei koguks liiga palju müra, mis põhjustab vigu."

Meeskond näitas ka, et kvant-AI võib pärast väga väikese andmekogumi treenimist klassifitseerida kvantolekuid faasisiirde jooksul, ütles Los Alamos.

"Kvantaine faaside klassifitseerimine on materjaliteaduse jaoks oluline ja Los Alamose missiooni jaoks asjakohane," ütles Andrew Sornborger (CCS-3), labori kvantteaduse keskuse direktor ja artikli kaasautor. "Need materjalid on keerulised, neil on mitu erinevat faasi, nagu ülijuhtiv ja magnetfaas."

Soovitud tunnustega, nagu ülijuhtivus, materjalide loomine hõlmab Sornborgeri sõnul faasidiagrammi mõistmist, mille meeskond tõestas, et seda saab avastada minimaalse koolitusega masinõppesüsteemiga.

Uue teoreemi muud potentsiaalsed rakendused hõlmavad kvantvigade parandamise koodide õppimist ja kvantdünaamilisi simulatsioone.

"Uue meetodi tõhusus ületas meie ootusi," ütles Los Alamose kvantmasinaõppe ekspert Marco Cerezo (CCS-3). "Me suudame koostada teatud, väga suuri kvantoperatsioone mõne minuti jooksul väga väheste treeningpunktidega - midagi, mis varem polnud võimalik."

"Pikka aega ei suutnud me uskuda, et meetod nii tõhusalt töötab," ütles Cincio. „Koostaja puhul näitab meie numbriline analüüs, et see on isegi parem, kui suudame tõestada. Peame treenima vaid vähesel arvul osariikidel võimalikest miljarditest. Me ei pea kontrollima kõiki võimalusi, vaid ainult mõnda. See lihtsustab koolitust tohutult."

Rahastamine (ainult Los Alamose kaasautorid): ASC Beyond Moore's Law projekt Los Alamose riiklikus laboris; USA energeetikaministeeriumi teadusbüroo, täiustatud teaduslike andmetöötlusuuringute büroo Kvantarvutite kiirendatud uuringute programm; Los Alamose riiklikus laboris laboratooriumile suunatud teadus- ja arendustegevuse programm; DOE teadusbüroo, riiklikud kvantinfoteaduse uurimiskeskused, kvantteaduste keskus; ja kaitseministeerium.