داده های ساده بیشترین بهره را از یادگیری ماشین کوانتومی می برد

Newswise – LOS ALAMOS، NM، 5 ژوئیه 2023 – تحقیقات نظری جدید ثابت می کند که یادگیری ماشین در رایانه های کوانتومی به داده های بسیار ساده تری از آنچه قبلاً تصور می شد نیاز دارد. این یافته مسیری را برای به حداکثر رساندن قابلیت استفاده رایانههای کوانتومی پر سر و صدا و متوسط برای شبیهسازی سیستمهای کوانتومی و سایر وظایف بهتر از رایانههای دیجیتال کلاسیک هموار میکند، در حالی که نویدبخش بهینهسازی حسگرهای کوانتومی است.
لوکاس سینسیو، نظریهپرداز کوانتومی در آزمایشگاه ملی لوس آلاموس، میگوید: «ما نشان میدهیم که دادههای ساده و شگفتآور در مقدار کمی برای آموزش یک شبکه عصبی کوانتومی کافی است. او یکی از نویسندگان است کاغذ حاوی شواهد منتشر شده در مجله Nature Communications. این کار گام دیگری در جهت آسانتر کردن، در دسترستر کردن و کوتاهمدت کردن یادگیری ماشین کوانتومی برمیدارد.»
مقاله جدید از همکاری یک تیم لوس آلاموس، نویسنده اصلی ماتیاس کارو، از دانشگاه آزاد برلین، و سایر محققان از ایالات متحده، بریتانیا و سوئیس پدید آمده است. این گروه در حال توسعه پایههای نظری برای الگوریتمهای کارآمدتر، بهویژه برای یادگیری ماشین کوانتومی، برای بهرهبرداری از قابلیتهای این ماشینهای پر سر و صدا بوده است، در حالی که صنعت روی بهبود کیفیت و بزرگتر کردن اندازه کامپیوترهای کوانتومی کار میکند.
مقاله تحقیقاتی جدید مبتنی بر کار قبلی آزمایشگاه ملی لوس آلاموس و همکارانش است که نشان میدهد آموزش شبکه عصبی کوانتومی تنها به مقدار کمی داده نیاز دارد. روی هم رفته، این پیشرفتهای نظری اخیر ثابت میکند که سازماندهی آموزش با حالتهای بسیار کم و بسیار ساده، یک رویکرد خاص برای انجام کارهای عملی روی رایانههای کوانتومی محدود امروزی سریعتر از رایانههای معمولی مبتنی بر فیزیک کلاسیک ارائه میدهد.
“در حالی که کار قبلی میزان داده های آموزشی را در یادگیری ماشین کوانتومی در نظر می گرفت، در اینجا ما بر روی آن تمرکز می کنیم نوع کارو گفت. ما ثابت میکنیم که تعداد کمی از دادههای آموزشی کافی است حتی اگر خود را به یک نوع ساده از دادهها محدود کنیم.»
سینسیو میگوید: «از لحاظ عملی، این بدان معناست که شما میتوانید یک شبکه عصبی را نه تنها بر روی چند عکس از گربهها، بلکه بر روی تصاویر بسیار ساده آموزش دهید.» برای شبیهسازی کوانتومی، به این معنی است که میتوانید روی حالتهای کوانتومی ساده تمرین کنید.»
زوئی هولمز، استاد فیزیک در دانشکده پلیتکنیک فدرال لوزان و فوق دکترای سابق لوس آلاموس، میگوید: «آمادهسازی این حالتها آسان است، که اجرای کل الگوریتم یادگیری را در رایانههای کوانتومی کوتاهمدت بسیار آسانتر میکند».
یک برنامه کاربردی کوتاه مدت برای کامپیوترهای کوانتومی
نویز به شکل برهمکنش بین بیتهای کوانتومی یا کیوبیتها و محیط اطراف باعث ایجاد خطاهایی میشود که قابلیتهای پردازشی فناوری رایانههای کوانتومی فعلی را محدود میکند. علیرغم نویز، کامپیوترهای کوانتومی در کارهای خاصی مانند شبیه سازی یک سیستم کوانتومی در علم مواد و طبقه بندی حالات کوانتومی با یادگیری ماشین برتری دارند.
سینسیو میگوید: «اگر دادههای کوانتومی را طبقهبندی میکنید، مقدار مشخصی نویز وجود دارد که میتوانید آن را تحمل کنید و پاسخ درست را دریافت کنید. به همین دلیل است که یادگیری ماشین کوانتومی ممکن است یک کاربرد کوتاه مدت خوب باشد.
اندرو تی. سورنبورگر، یکی از نویسندگان مقاله، گفت که یادگیری ماشین کوانتومی نسبت به سایر الگوریتمها نویز بیشتری را تحمل میکند، زیرا کارهایی مانند طبقهبندی، یکی از اصلیترین موارد یادگیری ماشین، برای ارائه یک نتیجه مفید نیازی به دقت 100 درصدی ندارند. Sornborger رهبر الگوریتمهای کوانتومی و ناحیه رانش شبیهسازی مرکز علوم کوانتومی است. این مرکز که توسط آزمایشگاه ملی اوک ریج رهبری میشود، با همکاری آزمایشگاههای ملی از جمله لوس آلاموس، دانشگاهها و صنعت است.
مقاله جدید نشان میدهد که استفاده از دادههای سادهتر به یک مدار کوانتومی کمپیچیدهتر اجازه میدهد تا حالت کوانتومی معینی را روی رایانه آماده کند، مانند شبیهسازی شیمی کوانتومی که تکامل سیستمی از مولکولها را نشان میدهد. پیاده سازی یک مدار ساده آسان است، نویز کمتری دارد و بنابراین می تواند یک محاسبات را کامل کند. مقاله جدید Nature Communications روشی را برای کامپایل الگوریتمهای یادگیری ماشین کوانتومی با استفاده از حالتهای آمادهسازی ساده نشان میدهد.
بارگذاری خارج از کامپیوترهای کلاسیک
الگوریتمهای پیچیده کوانتومی از توانایی پردازش حتی کامپیوترهای کلاسیک بسیار بزرگ فراتر میروند. با این حال، این تیم همچنین دریافت که از آنجایی که رویکرد جدید آنها توسعه الگوریتمها را ساده میکند، کامپایل الگوریتمهای کوانتومی را میتوان در یک کامپیوتر کلاسیک بارگذاری کرد. سپس الگوریتم کامپایل شده را می توان با موفقیت بر روی یک کامپیوتر کوانتومی اجرا کرد. این رویکرد جدید به برنامه نویسان اجازه می دهد تا منابع محاسباتی کوانتومی را برای کارهایی که می توانند به طور منحصر به فرد انجام دهند اما کامپیوترهای کلاسیک مانند شبیه سازی سیستم های کوانتومی را خفه می کنند، رزرو کنند، در حالی که از نویزهای ایجاد کننده خطای مدارهای طولانی در رایانه های کوانتومی جلوگیری می کنند.
تحقیقات آزمایشگاه کاربردهایی در زمینه در حال توسعه سنجش کوانتومی دارد. به عنوان مثال، استفاده از اصول خاصی از مکانیک کوانتومی، ساخت دستگاههای بسیار حساسی را برای اندازهگیری میدانهای گرانشی یا میدانهای مغناطیسی ممکن میسازد.
سورنبورگر میگوید: «روشهای سنجش کوانتومی در غیاب نویز ساده هستند و از نظر تئوری به خوبی درک میشوند، اما وقتی نویز در نظر گرفته میشود، وضعیت بسیار درگیر میشود. افزودن یادگیری ماشین کوانتومی به پروتکل سنجش کوانتومی به شما این امکان را میدهد که این روش را زمانی که مکانیسم رمزگذاری ناشناخته است یا نویز سختافزاری روی کاوشگر کوانتومی تأثیر میگذارد، اعمال کنید. این کاربرد یادگیری ماشین کوانتومی در پروژه ای تحت حمایت وزارت انرژی به رهبری لوکاس سینسیو و مارکو سرزو، همچنین از لوس آلاموس، در دست بررسی است.
کاغذ: “تعمیم خارج از توزیع برای یادگیری دینامیک کوانتومی. نویسندگان: Matthias C. Caro، Hsin-Yuan Huang، Nicholas Ezzell، Joe Gibbs، Andrew T. Sornborger، Lukasz Cincio، Patrick J. Coles و Zoe Holmes. ارتباطات طبیعت DOI: 10.1038/s41467-023-39381-w
منابع مالی: بودجه تحقیقات آزمایشگاه ملی لس آلاموس توسط برنامه تحقیق و توسعه هدایت شده آزمایشگاهی در لس آلاموس، پروژه قانون فراتر از مور در لس آلاموس، و وزارت انرژی، دفتر علوم، دفتر تحقیقات محاسبات علمی پیشرفته، تحت عنوان Accelerated تامین شد. تحقیق در برنامه محاسبات کوانتومی.
-30-
LA-UR-23-26249



