Kvantinės dinamikos mokymasis apie eksperimentinį procesą naudojant kvantinį kompiuterį. b Kvantinės dinamikos mokymasis naudojant labiau specializuotą eksperimentinę sistemą su potencialiai ribotu vartų rinkiniu. c, d Žinomo unito kvantinis kompiliavimas atitinkamai kvantiniame ir klasikiniame kompiuteryje. Kreditas: Gamtos komunikacijos (2023). DOI: 10.1038/s41467-023-39381-w Nauji teoriniai tyrimai įrodo, kad mašininiam mokymuisi kvantiniuose kompiuteriuose reikia daug paprastesnių duomenų, nei manyta anksčiau. Šis atradimas atveria kelią maksimaliai padidinti šiandieninių triukšmingų, vidutinio masto kvantinių kompiuterių panaudojimą kvantinėms sistemoms ir kitoms užduotims imituoti geriau nei klasikiniai skaitmeniniai kompiuteriai, taip pat žada optimizuoti kvantinius jutiklius.
„Mes parodome, kad stebėtinai paprastų nedidelio kiekio duomenų pakanka apmokyti kvantinį neuroninį tinklą“, – sakė Los Alamos nacionalinės laboratorijos kvantų teoretikas Lukaszas Cincio. Jis yra žurnale paskelbto dokumento, kuriame pateikiami įrodymai, bendraautorius Gamtos komunikacijos. „Šis darbas žengia dar vieną žingsnį link kvantinio mašininio mokymosi lengvesnio, prieinamesnio ir greitesnio.”
Naujasis dokumentas atsirado bendradarbiaujant Los Alamos komandai, pagrindiniam autoriui Matthiasui Caro iš Freie Universität Berlin ir kitiems tyrėjams iš Jungtinių Valstijų, Jungtinės Karalystės ir Šveicarijos. Grupė kūrė teorinį efektyvesnių algoritmų, ypač kvantinio mašininio mokymosi, pagrindą, kad išnaudotų šių triukšmingų mašinų galimybes, o pramonė tobulina kvantinių kompiuterių kokybę ir padidina jų dydį.
Naujasis mokslinis darbas grindžiamas ankstesniu Los Alamos nacionalinės laboratorijos ir jos bendradarbių darbu, rodančiu, kad kvantinio neuroninio tinklo mokymui reikia tik nedidelio duomenų kiekio. Apibendrinant, šie naujausi teoriniai laimėjimai įrodo, kad mokymų organizavimas su labai nedaug ir labai paprastų būsenų siūlo specifinį požiūrį į praktinį darbą šiuolaikiniuose ribotuose kvantiniuose kompiuteriuose greičiau nei įprastuose, klasikinės fizikos pagrindu sukurtuose kompiuteriuose.
„Nors ankstesniame darbe buvo atsižvelgta į mokymo duomenų kiekį kvantinio mašininio mokymosi srityje, čia mes sutelkiame dėmesį į mokymo duomenų tipą“, – sakė Caro. „Mes įrodome, kad pakanka kelių mokymo duomenų taškų, net jei apsiribojame paprasto tipo duomenimis.”
„Praktiškai tai reiškia, kad galite treniruoti neuroninį tinklą ne tik, pavyzdžiui, keliose kačių nuotraukose, bet ir labai paprastose nuotraukose“, – sakė Cincio. „Kvantiniam modeliavimui tai reiškia, kad galite treniruotis kvantiškai paprastomis būsenomis.
„Tas būsenas lengva paruošti, todėl visą mokymosi algoritmą daug lengviau paleisti artimiausio laikotarpio kvantiniuose kompiuteriuose“, – sakė bendraautorė Zoe Holmes, Lozanos politechnikos federacijos fizikos profesorė ir buvęs Los Alamos postdoc.
Trumpalaikė programa kvantiniams kompiuteriams
Triukšmas, atsirandantis sąveikos tarp kvantinių bitų arba kubitų ir supančios aplinkos pavidalu, sukelia klaidas, kurios riboja dabartinės kvantinės kompiuterinės technologijos apdorojimo galimybes. Nepaisant triukšmo, kvantiniai kompiuteriai puikiai atlieka tam tikras užduotis, tokias kaip kvantinės sistemos modeliavimas medžiagų moksle ir kvantinių būsenų klasifikavimas naudojant mašininį mokymąsi.
„Jei klasifikuojate kvantinius duomenis, yra tam tikras triukšmo kiekis, kurį galite toleruoti ir vis tiek gausite teisingą atsakymą“, – sakė Cincio. „Štai kodėl kvantinis mašinų mokymasis gali būti geras artimiausio laikotarpio pritaikymas.”
Kvantinis mašininis mokymasis toleruoja daugiau triukšmo nei kiti algoritmai, nes atliekant tokias užduotis kaip klasifikavimas, pagrindinė mašininio mokymosi dalis, nereikia 100 % tikslumo, kad būtų pasiektas naudingas rezultatas, sakė Andrew T. Sornborger, straipsnio bendraautorius. Sornborgeris yra Kvantinio mokslo centro Kvantinių algoritmų ir modeliavimo traukos srities vadovas. Centras, kuriam vadovauja Oak Ridge nacionalinė laboratorija, bendradarbiauja tarp nacionalinių laboratorijų, įskaitant Los Alamosą, universitetus ir pramonę.
Naujasis dokumentas rodo, kad naudojant paprastesnius duomenis, ne tokia sudėtinga kvantinė grandinė gali paruošti tam tikrą kvantinę būseną kompiuteryje, pavyzdžiui, kvantinės chemijos modeliavimas, rodantis molekulių sistemos evoliuciją. Paprastą grandinę lengva įdiegti, ji mažiau triukšminga ir todėl gali užbaigti skaičiavimą. Naujajame „Nature Communications“ dokumente demonstruojamas kvantinių mašininio mokymosi algoritmų sudarymo metodas, naudojant paprastai paruošiamas būsenas.
Iškrovimas į klasikinius kompiuterius
Sudėtingi kvantiniai algoritmai pranoksta net labai didelių klasikinių kompiuterių apdorojimo galimybes. Tačiau komanda taip pat nustatė, kad kadangi jų naujas požiūris supaprastina algoritmų kūrimą, kvantinių algoritmų sudarymas gali būti perkeltas į klasikinį kompiuterį. Tada sukompiliuotas algoritmas gali būti sėkmingai paleistas kvantiniame kompiuteryje. Šis naujas metodas leidžia programuotojams rezervuoti kvantinio skaičiavimo išteklius užduotims, kurias jie gali atlikti išskirtinai, tačiau užgniaužia klasikinius kompiuterius, pvz., imituojančias kvantines sistemas, tuo pačiu išvengiant klaidų sukeliančio ilgų kvantinių kompiuterių grandinių triukšmo.
Laboratorijos tyrimai taikomi besivystančioje kvantinio jutimo srityje. Naudojant tam tikrus kvantinės mechanikos principus, galima sukurti išskirtinai jautrius prietaisus, pavyzdžiui, gravitaciniams ar magnetiniams laukams matuoti.
„Kvantinio jutimo metodai, kai nėra triukšmo, yra paprasti ir teoriškai gerai suprantami, tačiau situacija tampa daug sudėtingesnė, kai atsižvelgiama į triukšmą“, – sakė Sornborgeris. „Kvantinės mašinos mokymosi įtraukimas į kvantinio jutimo protokolą leidžia taikyti metodą, kai kodavimo mechanizmas nežinomas arba kai aparatinės įrangos triukšmas veikia kvantinį zondą.” Šis kvantinio mašininio mokymosi taikymas tiriamas Energetikos departamento remiamame projekte, kuriam vadovauja Lukasz Cincio ir Marco Cerezo, taip pat iš Los Alamos.
Daugiau informacijos: Matthias C. Caro et al, Out-of-distribution generalization for learning quantum dynamics, Gamtos komunikacijos (2023). DOI: 10.1038/s41467-023-39381-w
Citata: Paprasti duomenys išnaudoja visas kvantinio mašininio mokymosi galimybes (2023 m. liepos 5 d.), gautas 2023 m. liepos 5 d. iš https://techxplore.com/news/2023-07-simple-quantum-machine.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
