At løse golde plateauer er nøglen til kvantemaskinlæring

Mange maskinlæringsalgoritmer på kvantecomputere lider under det frygtede "golde plateau" for uløselighed, hvor de løber ind i blindgyde på optimeringsproblemer. Denne udfordring havde været relativt uundersøgt - indtil nu. Nøje teoretisk arbejde har etableret sætninger, der garanterer, om en given maskinlæringsalgoritme vil fungere, når den skaleres op på større computere.

"Arbejdet løser et centralt problem med brugbarhed til kvantemaskineindlæring. Vi har grundigt bevist, under hvilke betingelser visse arkitekturer med variationskvantumalgoritmer vil have eller ikke vil have ufrugtbare plateauer, når de skaleres op, "sagde Marco Cerezo, hovedforfatter på papiret udgivet i Naturkommunikation i dag af et Los Alamos National Laboratory -team. Cerezo er en post doc, der forsker i kvanteinformationsteori ved Los Alamos. "Med vores sætninger, du kan garantere, at arkitekturen vil være skalerbar til kvantecomputere med et stort antal qubits. "

"Normalt har tilgangen været at køre en optimering og se om det virker, og det førte til træthed blandt forskere på området, "sagde Patrick Coles, en medforfatter af undersøgelsen. Etablering af matematiske sætninger og udledning af første principper tager gætterierne ud af at udvikle algoritmer.

Los Alamos -teamet brugte den fælles hybridmetode til variationskvantumalgoritmer, uddannelse og optimering af parametrene på en klassisk computer og evaluering af algoritmens omkostningsfunktion, eller målestok for algoritmens succes, på en kvantecomputer.

Maskinlæringsalgoritmer oversætter en optimeringsopgave - sig f.eks. at finde den korteste rute for en rejsende sælger gennem flere byer - ind i en omkostningsfunktion, sagde medforfatter Lukasz Cincio. Det er en matematisk beskrivelse af en funktion, der vil blive minimeret. Funktionen når kun sin mindste værdi, hvis du løser problemet.

De fleste kvantevariationalgoritmer starter deres søgning tilfældigt og vurderer omkostningsfunktionen globalt på tværs af hver qubit, hvilket ofte fører til et goldt plateau.

"Vi kunne bevise, at hvis du vælger en omkostningsfunktion, der ser lokalt på hver enkelt qubit, så garanterer vi, at skaleringen ikke vil resultere i en umuligt stejl tidskurve kontra systemstørrelse, og derfor kan trænes, "Sagde Coles.

En kvantevariationalgoritme opretter et problemløsende landskab, hvor toppene repræsenterer systemets høje energipunkter, eller problem, og dalene er de lave energiværdier. Svaret ligger i den dybeste dal. Det er grundstaten, repræsenteret ved den minimerede omkostningsfunktion. For at finde løsningen, algoritmen træner sig selv om landskabet, derved navigere til lavpunktet.

"Folk har foreslået kvanteneurale netværk og benchmarket dem ved at lave simuleringer i lille skala af 10'er (eller færre) få qubits, "Sagde Cerezo." Problemet er, du vil ikke se det golde plateau med et lille antal qubits, men når du prøver at skalere op til flere qubits, det lader til. Derefter skal algoritmen omarbejdes til en større kvantecomputer. "

Et goldt plateau er et træningsproblem, der opstår i algoritmer til optimering af maskinlæring, når problemløsningsrummet bliver fladt, når algoritmen køres. I den situation, algoritmen kan ikke finde den nedadgående hældning i det, der ser ud til at være et landskab uden karakter, og der er ingen klar vej til energiminimum. Mangler landskabsfunktioner, maskinlæringen kan ikke træne sig selv til at finde løsningen.

"Hvis du har et ufrugtbart plateau, alt håb om kvantehastighed eller kvantefordel er tabt, "Sagde Cerezo.

Los Alamos -holdets gennembrud tager et vigtigt skridt mod kvantefordele, når en kvantecomputer udfører en opgave, der ville tage uendeligt lang tid på en klassisk computer. Opnåelse af kvantefordele afhænger på kort sigt af opskalering af variationskvantumalgoritmer. Disse algoritmer har potentiale, så de løser praktiske problemer, når kvantecomputere på 100 qubits eller mere bliver tilgængelige - forhåbentlig snart. Kvantecomputere er i øjeblikket maks. 65 qubits. En qubit er den grundlæggende informationsenhed i en kvantecomputer, som bits er i en klassisk digital computer.

"Det hotteste emne i støjende mellemstore kvantecomputere er variationskvantumalgoritmer, eller kvante maskinlæring og kvante neurale netværk, "Coles sagde." De er blevet foreslået til applikationer fra at løse strukturen af ​​et molekyle i kemi til at simulere dynamikken i atomer og molekyler og factoring tal. "