Kvantemaskiner lærer kvantedata

Skoltech-forskere har vist, at kvanteforbedret maskinlæring kan bruges på kvantedata (i modsætning til klassiske) data, overvinde en betydelig opbremsning, der er fælles for disse applikationer, og åbne en "frugtbar jord til at udvikle beregningsmæssig indsigt i kvantesystemer." Avisen blev offentliggjort i tidsskriftet Fysisk gennemgang A .

Kvantecomputere bruger kvantemekaniske effekter til at lagre og manipulere information. Selvom kvanteeffekter ofte hævdes at være kontraintuitive, sådanne effekter vil gøre det muligt for kvanteforstærkede beregninger at overgå de bedste supercomputere dramatisk. I 2019, verden så en prototype af dette demonstreret af Google som kvanteberegningsoverlegenhed.

Kvantealgoritmer er blevet udviklet til at forbedre en række forskellige beregningsopgaver; for nylig er dette vokset til at omfatte kvanteforbedret maskinlæring. Quantum machine learning var delvist banebrydende af Skoltechs beboerbaserede Laboratory for Quantum Information Processing, ledet af Jacob Biamonte, en coather af dette papir. "Maskinlæringsteknikker er blevet effektive værktøjer til at finde mønstre i data. Kvantesystemer producerer atypiske mønstre, som klassiske systemer menes ikke at producere effektivt, så det er ikke overraskende, at kvantecomputere kan udkonkurrere klassiske computere på maskinlæringsopgaver, " han siger.

Standardtilgangen til kvanteforbedret maskinlæring har været at anvende kvantealgoritmer til klassiske data. Med andre ord, klassiske data (repræsenteret af bitstrenge på 1'er og 0'er) skal lagres eller på anden måde repræsenteres af en kvanteprocessor, før kvanteeffekter kan bruges. Dette kaldes data-readin-problemet. Data-readin tjener til at begrænse den hastighed, der er mulig ved hjælp af kvanteforbedrede maskinlæringsalgoritmer.

Et hold af Skoltech-forskere har slået kvanteforbedret maskinlæring sammen med kvanteforbedret simulering, anvender deres tilgang til at studere faseovergange i mange-krops kvantemagnetiske problemer. Derved, de træner kvanteneurale netværk ved kun at bruge kvantetilstande som data. Med andre ord, forfatterne omgår data-readin-problemet ved at fodre i kvantemekaniske materielle tilstande. Sådanne tilstande ser ud til generelt at kræve en umulig mængde hukommelse at repræsentere ved brug af standard (ikke-kvante) tilgange.

Hovedforfatteren af ​​undersøgelsen, Skoltech ph.d.-studerende Alexey Uvarov beskriver undersøgelsen som "et skridt i retning af at forstå kraften af ​​kvanteenheder til maskinlæring." Forskere fusionerede et udvalg af teknikker, som omfattede anvendelse af nogle ideer fra tensornetværk og indviklingsteori i analysen af ​​deres tilgang.

Værket bruger en subrutine kendt som den variationelle kvanteegenopløser (VQE) - en algoritme, der iterativt finder en tilnærmelse til grundtilstanden for en given kvante Hamiltonian. Outputtet af denne underrutine er et sæt instruktioner til at forberede en kvantetilstand på en kvantecomputer.

At nedskrive staten eksplicit, selvom, kræver typisk en eksponentiel mængde hukommelse, derfor undersøges egenskaberne af en sådan tilstand bedst ved at forberede den i hardware. Indlæringsalgoritmen i papiret omhandler følgende problem:givet en VQE-tilstand, der løser grundtilstandsproblemet for en kvantespinmodel, finde ud af, hvilken af ​​de to faser af stof den tilstand tilhører.

"Mens vi har fokuseret vores tilgange på problemer fra det kondenserede stofs fysik, sådanne kvanteforbedrede algoritmer gælder ligeledes udfordringer inden for materialevidenskab og opdagelse af lægemidler, " konstaterer Biamonte.