Novo teorijsko istraživanje dokazuje da mašinsko učenje na kvantnim računarima zahteva daleko jednostavnije podatke nego što se ranije verovalo. Ovo otkriće otvara put ka maksimiziranju upotrebljivosti današnjih bučnih kvantnih računara srednjeg obima za simulaciju kvantnih sistema i drugih zadataka bolje od klasičnih digitalnih računara, a istovremeno nudi obećanje za optimizaciju kvantnih senzora.
„Pokazali smo da su iznenađujuće jednostavni podaci u maloj količini dovoljni za obuku kvantne neuronske mreže“, rekao je Lukaš Sinčio, kvantni teoretičar iz Nacionalne laboratorije u Los Alamosu. On je koautor rada koji sadrži dokaz objavljen u časopisu Nature Communications. „Ovaj rad čini još jedan korak u pravcu da kvantno mašinsko učenje učini lakšim, dostupnijim i kratkoročnijim.“
Novi rad je nastao kao rezultat saradnje tima iz Los Alamosa, glavnog autora Matijasa Karoa sa Freie Universitat Berlina i drugih istraživača iz Sjedinjenih Država, Ujedinjenog Kraljevstva i Švajcarske. Grupa je razvijala teorijsku osnovu za efikasnije algoritme, posebno za kvantno mašinsko učenje, kako bi se iskoristile mogućnosti ovih bučnih mašina dok industrija radi na poboljšanju kvaliteta i povećanju veličine kvantnih računara.
Novi istraživački rad se oslanja na prethodni rad Nacionalne laboratorije Los Alamos i njenih saradnika koji pokazuju da obuka kvantne neuronske mreže zahteva samo malu količinu podataka. Uzeti zajedno, ova nedavna teorijska otkrića dokazuju da organizovanje obuke sa vrlo malo i veoma jednostavnih stanja nudi specifičan pristup obavljanju praktičnog rada na današnjim ograničenim kvantnim računarima brže nego na konvencionalnim računarima zasnovanim na klasičnoj fizici.
„Dok je prethodni rad razmatrao količinu podataka o obuci u kvantnom mašinskom učenju, ovde se fokusiramo na vrstu podataka o obuci“, rekao je Caro. „Dokazujemo da je nekoliko tačaka podataka za obuku dovoljno čak i ako se ograničimo na jednostavnu vrstu podataka.“
„U praktičnom smislu, to znači da možete trenirati neuronsku mrežu ne samo na samo nekoliko slika mačaka, na primer, već i na veoma jednostavnim slikama“, rekao je Cinčio. „Za kvantne simulacije, to znači da možete trenirati na kvantno jednostavnim stanjima.“
„Ta stanja je lako pripremiti, što čini ceo algoritam učenja mnogo lakšim za izvođenje na kratkoročnim kvantnim računarima“, rekla je koautorka Zoe Holms, profesorka fizike na Ecole Politechnikue Federale de Lausanne i bivša postdoktorka iz Los Alamosa.
Šum u obliku interakcije između kvantnih bitova, ili kubita, i okolnog okruženja izaziva greške koje ograničavaju mogućnosti obrade trenutne tehnologije kvantnog računara. Uprkos buci, kvantni računari su odlični u određenim zadacima, kao što je simulacija kvantnog sistema u nauci o materijalima i klasifikacija kvantnih stanja pomoću mašinskog učenja.
„Ako klasifikujete kvantne podatke, onda postoji određena količina buke koju možete tolerisati i još uvek dobiti tačan odgovor“, rekao je Cinčio. „Zato kvantno mašinsko učenje može biti dobra kratkoročna primena.“
Kvantno mašinsko učenje toleriše više buke od drugih vrsta algoritama jer zadaci kao što je klasifikacija, osnovna komponenta mašinskog učenja, ne zahtevaju 100% tačnost da bi pružili koristan rezultat, rekao je Andrev T. Sornborger, koautor rada. Sornborger je vođa oblasti kvantnih algoritama i simulacije potiska u Kvantnom naučnom centru. Predvođen Nacionalnom laboratorijom Oak Ridž, centar je saradnja između nacionalnih laboratorija, uključujući Los Alamos, univerzitete i industriju.
Novi rad pokazuje da korišćenje jednostavnijih podataka omogućava manje složenom kvantnom kolu da pripremi dato kvantno stanje na računaru, kao što je kvantno-hemijska simulacija koja pokazuje evoluciju sistema molekula. Jednostavna kola je laka za implementaciju, manje bučna i stoga je sposobna da završi proračun. Novi dokument Nature Communications demonstrira metod za kompajliranje algoritama kvantnog mašinskog učenja koristeći stanja koja su jednostavna za pripremu.
Složeni kvantni algoritmi prevazilaze sposobnost obrade čak i veoma velikih klasičnih računara. Međutim, tim je takođe otkrio da, pošto njihov novi pristup pojednostavljuje razvoj algoritama, kompajliranje kvantnih algoritama može biti prebačeno na klasični računar. Zatim se kompajlirani algoritam može uspešno pokrenuti na kvantnom računaru. Ovaj novi pristup omogućava programerima da rezervišu resurse kvantnog računarstva za zadatke koje mogu jedinstveno da obavljaju, ali koji guše klasične računare, kao što je simulacija kvantnih sistema, dok izbegavaju buku koja uzrokuje greške dugih kola na kvantnim računarima.
Istraživanje Laboratorije ima primenu u oblasti kvantnog sensinga u razvoju. Iskorišćavanje određenih principa kvantne mehanike omogućava stvaranje izuzetno osetljivih uređaja za merenje gravitacionih ili magnetnih polja, na primer.
„Metode kvantnog sensinga u odsustvu buke su jednostavne i dobro shvaćene teoretski, ali situacija postaje mnogo više uključena kada se uzme u obzir buka“, rekao je Sornborger. „Dodavanje kvantnog mašinskog učenja u protokol kvantnog senzora omogućava vam da primenite metod kada je mehanizam kodiranja nepoznat ili kada hardverski šum utiče na kvantnu sondu. Ta primena kvantnog mašinskog učenja je pod istragom u projektu koji sponzoriše Odeljenje za energetiku koji vode Lukas Cincio i Marco Cerezo, takođe iz Los Alamosa.
