Introduktion til kvantekonvolutions neurale netværk

Maskinlæringsteknikker har hidtil vist sig at være meget lovende til analyse af data på flere områder, med mange potentielle applikationer. Imidlertid, forskere har fundet ud af, at anvendelse af disse metoder til kvantefysiske problemer er langt mere udfordrende på grund af den eksponentielle kompleksitet af mange kropssystemer.

Quantum mange-kropssystemer er i det væsentlige mikroskopiske strukturer, der består af flere interagerende partikler. Mens kvantefysikstudier har fokuseret på disse systemers kollektive adfærd, brug af maskinlæring i disse undersøgelser har vist sig at være meget vanskelig.

Med det i tankerne, et team af forskere ved Harvard University har for nylig udviklet en kvantekredsløbbaseret algoritme inspireret af konvolutionsneurale netværk (CNN'er), en populær machine learning -teknik, der har opnået bemærkelsesværdige resultater på en række områder. I deres papir, udgivet i Naturfysik , forskerne skitserede denne nye arkitektur og vurderede dens nøjagtighed ved at genkende kvantetilstande forbundet med en 1-D, symmetri-beskyttet topologisk fase.

"Vores arbejde er i høj grad motiveret af nylige eksperimentelle fremskridt med at bygge kvantecomputere og udviklingen af ​​kunstig intelligens baseret på neurale netværksmetoder, "Soonwon Choi, en af ​​forskerne, der gennemførte undersøgelsen, fortalte Phys.org. "På en eller anden måde, ideen om at kombinere maskinlæringsteknikker og kvantecomputere/simulatorer er meget naturlig:På begge felter, vi forsøger at udtrække meningsfuld information fra en stor mængde komplekse data. "

Som en teoretisk fysiker, der undersøger kvante mange-kropssystemer, Choi havde ofte spekuleret på, om der kunne være en mere effektiv måde at analysere den store mængde komplekse data opnået ved hjælp af kvantesimulatorer. Kunstige neurale netværk fangede snart hans opmærksomhed, da de førte til bemærkelsesværdige resultater i flere andre opgaver.

Transformere traditionelle metoder til maskinlæring, så de effektivt kan anvendes i kvantefysik, imidlertid, syntes at være udfordrende. Hovedårsagen til dette er, at eksisterende kvantesimulatorer er ret små, de er således ikke i stand til at understøtte en storstilet CNN og andre maskinindlæringsteknikker, der bruges i konventionelle computere.

"Vi var nødt til at sikre, at alle vigtige funktioner ved konventionelle maskinindlæringsteknikker bevares, mens vores nye algoritme er så kompakt som muligt, "Choi forklarede." Et af målene med det nuværende arbejde var at generalisere et specifikt, velkendt maskinindlæringsarkitektur kaldet konvolutionelt neuralt netværk (CNN) til et kompakt kvantekredsløb, og demonstrere dens evner med forenklede, men meningsfulde eksempler. "

I deres undersøgelse, Choi og hans kolleger antog, at CNN'er skylder deres store succes to vigtige funktioner. For det første, det faktum, at de er lavet af mindre lokale enheder (dvs. flere lag af kvasi-lokale kvanteporte). For det andet, deres evne til at behandle inputdata på en hierarkisk måde. Forskerne fandt en forbindelse mellem disse to egenskaber og to berømte fysikbegreber kendt som lokalitet og renormalisering.

"Lokalitet er naturlig i fysikken, fordi vi mener, at naturloven er grundlæggende lokal, "Choi sagde." Renormalisering, på den anden side, er et meget interessant koncept. I fysikken, visse universelle træk ved et kvantemultykroppssystem, såsom fasen (f.eks. væske, gas, solid, osv.) af materialer afhænger ikke af (eller er ikke følsomme over for) mikroskopisk detaljerede oplysninger om systemet, men snarere styret af kun et par vigtige skjulte parametre. Renormalisering er en teoretisk teknik til at identificere de vigtige parametre ud fra mikroskopisk beskrivelse af et kvantesystem. "

Forskerne observerede, at renormaliseringsprocesser deler nogle ligheder med mønstergenkendelsesapplikationer, især dem, hvor machine learning bruges til at identificere objekter i billeder. For eksempel, når et CNN, der er uddannet til mønstergenkendelsesopgaver, analyserer billeder af dyr, den fokuserer på en universel funktion (dvs. forsøger at identificere hvilket dyr der er afbildet i billedet), uanset om enkelte dyr af samme type (f.eks. katte) ser lidt anderledes ud.

Denne proces ligner noget renormaliseringsteknikker inden for teoretisk fysik, som også kan hjælpe med at destillere universel information. I deres undersøgelse, Choi og hans kolleger forsøgte at udvikle en arkitektur med de samme centrale egenskaber som CNN'er, men det ville også være gældende for kvantefysiske problemer.

"Det resulterende kvantekredsløb involverer kun log (n) antal parametre, der skal optimeres til n-qubit inputdata, hvilket er dobbelt eksponentiel forbedring i forhold til en naiv tilgang, hvor eksp (n) antal parametre er optimeret, "Forklarede Choi." Når antallet af parametre, der skal optimeres, bliver så lille, man kan bekymre sig om, at vores kredsløb ikke er i stand til komplekse informationsbehandlingsopgaver. Imidlertid, vi har vist, at på trods af sin lille størrelse, vores kvante -CNN er stadig i stand til at genkende forskellige kvantefaser og designe kvantefejlkorrigeringsordninger. "

Forskerne vurderede den teknik, de udviklede, kaldet quantum convolutional neuralt netværk (QCNN), på et kvantefysik-specifikt problem, der involverede genkendelse af kvantetilstande forbundet med en 1-D symmetri beskyttet topologisk fase. Bemærkelsesværdigt, deres teknik var i stand til at genkende disse kvantetilstande, bedre end eksisterende tilgange. Da den er ret kompakt, QCNN kan også potentielt implementeres i små kvantecomputere.

"Efter min mening, det mest meningsfulde fund i vores arbejde er forbindelsen mellem velkendte fysikbegreber, renormalisering (eller mere præcist, renormalisering ansatz) og en vellykket informationsteknik inden for kunstig intelligens, CNN, "Sagde Choi." Lignende forbindelser er allerede blevet foreslået flere år tilbage, men her har vi med succes begrundet forbindelsen ved eksplicit at demonstrere den med et rent eksempel. "

Choi og hans kolleger er blandt de første til med succes at skabe en CNN-inspireret arkitektur, der inkorporerer kvantefysik. Eksemplerne, der er skitseret i deres papir, er også enkle nok til at blive eksperimentelt anvendt på eksisterende og kommende kvanteenheder. Deres resultater tyder på, at renormalisering kunne være en lovende teknik til behandling af kvanteoplysninger, og de har derfor til hensigt at undersøge denne idé yderligere.

"Vi har demonstreret, at vores metode gør det muligt at designe kvantefejlkorrektionsordninger, der er skræddersyet til et givet eksperimentelt system, "Choi sagde." Det ville være meget spændende at se dets handling i at forlade quantum computing platforme og forbedre deres ydeevne. "

I deres fremtidige arbejde, Choi og hans kolleger vil først prøve at bruge deres fund til at udvikle nye kvantecomputere. Ud over, de vil gerne foretage yderligere forskning for at undersøge forholdet mellem CNN'er eller andre neurale netværksbaserede metoder og renormaliseringsteknikker.

"Selvom vi har demonstreret et godt eksempel på endimensionale kvantesystemer, der mangler stadig en mere grundig undersøgelse af forbindelsen i dens fulde generalitet, "Choi tilføjet." Især at studere forbindelsen i todimensionale kvantesystemer ville være en spændende fremtidig retning. "

© 2019 Science X Network