Newswise – LOS ALAMOS، نیومکزیکو، 5 ژوئیه 2023 – یک مطالعه نظری جدید ثابت می کند که یادگیری ماشین در رایانه های کوانتومی به داده های بسیار ساده تری از آنچه قبلا تصور می شد نیاز دارد. این کشف راه را برای به حداکثر رساندن قابلیت استفاده کامپیوترهای کوانتومی پر سر و صدا و متوسط امروزی برای شبیه‌سازی سیستم‌های کوانتومی و سایر وظایف بهتر از رایانه‌های دیجیتال کلاسیک هموار می‌کند، در حالی که نویدبخش بهینه‌سازی حسگرهای کوانتومی است.
لوکاس سینسیو، نظریه‌پرداز کوانتومی در آزمایشگاه ملی لوس آلاموس، می‌گوید: «ما نشان می‌دهیم که داده‌های به‌طور شگفت‌آور ساده و کمی برای آموزش یک شبکه عصبی کوانتومی کافی است. او یکی از نویسندگان است کاغذ حاوی مدرک، منتشر شده در مجله Nature Communications. این کار گام دیگری را در جهت آسان‌تر، در دسترس‌تر کردن و در کوتاه‌مدت یادگیری ماشین کوانتومی برمی‌دارد.»
مقاله جدید حاصل همکاری یک تیم لوس آلاموس، نویسنده اصلی ماتیاس کارو از دانشگاه فرای برلین و سایر محققان از ایالات متحده، بریتانیا و سوئیس است. این گروه در حال توسعه پایه‌های نظری برای الگوریتم‌های کارآمدتر، به‌ویژه برای یادگیری ماشین کوانتومی است تا از قابلیت‌های این ماشین‌های پر سر و صدا استفاده کند، زیرا صنعت برای بهبود کیفیت و مقیاس رایانه‌های کوانتومی تلاش می‌کند.
مقاله تحقیقاتی جدید بر اساس کار قبلی آزمایشگاه ملی لوس آلاموس و همکارانش است و نشان می دهد که آموزش شبکه عصبی کوانتومی تنها به مقدار کمی داده نیاز دارد. روی هم رفته، این پیشرفت‌های نظری اخیر ثابت می‌کند که سازمان‌دهی یادگیری با حالت‌های بسیار کم و بسیار ساده، رویکرد خاصی را برای انجام کار عملی روی رایانه‌های کوانتومی محدود امروزی سریع‌تر از رایانه‌های معمولی مبتنی بر فیزیک کلاسیک ارائه می‌کند.
“در حالی که کار قبلی به میزان داده های آموزشی در یادگیری ماشین کوانتومی نگاه می کرد، در اینجا ما روی آن تمرکز می کنیم تایپ کنید کارو گفت: از داده های آموزشی. ما ثابت می کنیم که چند نقطه داده برای آموزش کافی است، حتی اگر خود را به یک نوع داده ساده محدود کنیم.»
سینسیو می‌گوید: «در عمل، این بدان معناست که شما می‌توانید یک شبکه عصبی را نه تنها بر روی چند عکس از گربه‌ها، بلکه بر روی تصاویر بسیار ساده آموزش دهید. برای شبیه‌سازی‌های کوانتومی، این بدان معناست که می‌توانید روی حالت‌های ساده کوانتومی تمرین کنید.»
زوئی هولمز، استاد فیزیک در دانشکده پلی‌تکنیک فدرال لوزان و یک فوق‌دکتر سابق در لوس آلاموس، می‌گوید: «آماده‌سازی این حالت‌ها آسان است، که اجرای کل الگوریتم یادگیری را در رایانه‌های کوانتومی کوتاه‌مدت بسیار آسان‌تر می‌کند».
یک برنامه کوتاه مدت برای محاسبات کوانتومی
نویز به شکل برهمکنش بین بیت‌های کوانتومی یا کیوبیت‌ها و محیط باعث ایجاد خطاهایی می‌شود که توانایی‌های پردازشی فناوری رایانه‌های کوانتومی فعلی را محدود می‌کند. علیرغم تبلیغات زیاد، کامپیوترهای کوانتومی در کارهای خاصی مانند شبیه سازی یک سیستم کوانتومی در علم مواد و طبقه بندی حالات کوانتومی با یادگیری ماشین برتری دارند.
سینسیو می‌گوید: «اگر داده‌های کوانتومی را طبقه‌بندی می‌کنید، مقدار مشخصی نویز وجود دارد که می‌توانید آن را تحمل کنید و پاسخ درست را دریافت کنید. به همین دلیل است که یادگیری ماشین کوانتومی می تواند یک برنامه کوتاه مدت خوب باشد.
اندرو تی سورنبورگر، یکی از نویسندگان مقاله، گفت که یادگیری ماشین کوانتومی نسبت به انواع دیگر الگوریتم‌ها نویز بیشتری را تحمل می‌کند، زیرا کارهایی مانند طبقه‌بندی، بخش اصلی یادگیری ماشین، برای ارائه یک نتیجه مفید به دقت ۱۰۰ درصدی نیاز ندارند. Sornborger رهبر حوزه الگوریتم‌های کوانتومی و شبیه‌سازی در مرکز علوم کوانتومی است. این مرکز که توسط آزمایشگاه ملی اوک ریج رهبری می‌شود، با همکاری آزمایشگاه‌های ملی از جمله لوس آلاموس، دانشگاه‌ها و صنعت است.
مقاله جدید نشان می‌دهد که استفاده از داده‌های ساده‌تر به یک مدار کوانتومی پیچیده‌تر اجازه می‌دهد تا حالت کوانتومی معینی را روی رایانه آماده کند، مانند شبیه‌سازی شیمی کوانتومی که تکامل سیستمی از مولکول‌ها را نشان می‌دهد. اجرای یک طرح ساده آسان است، سر و صدای کمتری دارد و بنابراین می تواند یک محاسبه را کامل کند. مقاله جدید Nature Communications روشی را برای کامپایل الگوریتم‌های یادگیری ماشین کوانتومی با استفاده از حالت‌های آسان برای آماده‌سازی نشان می‌دهد.
بارگذاری روی کامپیوترهای کلاسیک
الگوریتم های پیچیده کوانتومی از ظرفیت پردازش حتی کامپیوترهای کلاسیک بسیار بزرگ فراتر می روند. با این حال، تیم همچنین دریافت که از آنجایی که رویکرد جدید آن‌ها توسعه الگوریتم را ساده می‌کند، تلفیقی از الگوریتم‌های کوانتومی می‌تواند به یک کامپیوتر کلاسیک منتقل شود. سپس الگوریتم کامپایل شده را می توان با موفقیت بر روی یک کامپیوتر کوانتومی اجرا کرد. این رویکرد جدید به برنامه نویسان اجازه می دهد تا منابع محاسباتی کوانتومی را برای کارهایی که می توانند به طور منحصر به فرد انجام دهند اما رایانه های کلاسیک مانند شبیه سازی سیستم های کوانتومی را خفه می کنند، رزرو کنند، در حالی که از نویزهای ایجاد کننده خطا در مدارهای طولانی رایانه های کوانتومی جلوگیری می کنند.
تحقیقات این آزمایشگاه در زمینه نوظهور حسگرهای کوانتومی کاربرد دارد. استفاده از اصول خاصی از مکانیک کوانتومی امکان ایجاد دستگاه های بسیار حساس برای اندازه گیری میدان های گرانشی یا میدان های مغناطیسی را فراهم می کند.
سورنبورگر گفت: «روش‌های مشاهده کوانتومی در غیاب نویز ساده و از نظر تئوری به خوبی درک می‌شوند، اما وقتی نویز در نظر گرفته می‌شود، وضعیت بسیار درگیر می‌شود. «افزودن یادگیری ماشین کوانتومی به پروتکل سنجش کوانتومی به شما امکان می‌دهد زمانی که مکانیسم رمزگذاری ناشناخته است یا نویز سخت‌افزاری روی کاوشگر کوانتومی تأثیر می‌گذارد، روش را اعمال کنید.» این کاربرد یادگیری ماشین کوانتومی در پروژه‌ای تحت حمایت وزارت انرژی در حال بررسی است. توسط لوکاس سینسیو و مارکو سرزو، همچنین از لس آلاموس.
کاغذ: “تعمیم غیر انتشار برای مطالعه دینامیک کوانتومی. نویسندگان: Matthias C. Caro، Hsin-Yuan Huang، Nicholas Ezell، Joe Gibbs، Andrew T. Sornborger، Lukasz Cincio، Patrick J. کولز و زوئی هلمز ارتباطات طبیعت DOI: 10.1038/s41467-023-39381-w
منابع مالی: بودجه تحقیقات آزمایشگاه ملی لس آلاموس توسط برنامه تحقیق و توسعه تحت هدایت آزمایشگاه لوس آلاموس، پروژه قانون فراتر از مور در لس آلاموس، و وزارت انرژی، دفتر علوم، دفتر تحقیقات محاسبات علمی پیشرفته، تحت برنامه تحقیقاتی محاسبات کوانتومی شتاب.
-30-
LA-UR-23-26249
