Des preuves révolutionnaires ouvrent la voie à l’IA quantique – surmontant la menace d’un “plateau stérile”

De nouvelles preuves que la formation pour des réseaux convolutifs quantiques spécifiques est garantie révèlent comment l’intelligence artificielle quantique peut aider à la découverte de matériaux et à de nombreuses autres applications. Crédit : LANL

Le nouveau théorème montre que les réseaux de neurones convolutifs peuvent toujours être entraînés sur des ordinateurs quantiques, surmontant la menace des « plateaux stériles » dans les problèmes d’optimisation.

Les réseaux de neurones convolutifs fonctionnant sur des ordinateurs quantiques sont un sujet brûlant sur le potentiel d’analyser les données quantiques mieux que les ordinateurs classiques. Un problème de résolution de base connu sous le nom de « plateau stérile » limite l’application de ces réseaux de neurones à de grands ensembles de données, mais de nouvelles recherches fournissent des preuves rigoureuses pour garantir l’évolutivité. Vaincre le tendon d’Achille.

Marco Selezo, co-auteur d’un article récemment publié par l’équipe du Laboratoire national de Los Alamos intitulé « Les réseaux neuronaux à convolution quantique n’ont pas de plateaux stériles », a déclaré : Examen physique X.. Cerezo est un physicien professionnel de l’informatique quantique, de l’apprentissage automatique quantique et de l’information quantique à Los Alamos. « Nous avons prouvé que des types particuliers de réseaux de neurones quantiques sont exempts de plateaux stériles. Notre travail garantit la capacité d’entraînement de cette architecture, ce qui signifie que les paramètres peuvent être entraînés en général. augmenter.”

En tant que méthodologie d’intelligence artificielle (IA), les réseaux de neurones à convolution quantique s’inspirent du cortex visuel. Par conséquent, il comprend une couche de mise en commun et un ensemble entrelacé de couches ou de filtres convolutifs qui réduisent les dimensions des données tout en préservant la fonctionnalité critique de l’ensemble de données.

Ces réseaux de neurones peuvent être utilisés pour résoudre divers problèmes, de la reconnaissance d’images à la découverte de matériaux. Surmonter les plateaux arides est la clé pour maximiser le potentiel des ordinateurs quantiques dans les applications d’IA et démontrer leur supériorité sur les ordinateurs traditionnels.

Jusqu’à présent, selon Cerezo, les chercheurs en apprentissage automatique quantique ont analysé les moyens d’atténuer les effets des plateaux arides, mais il n’y a aucune raison de les éviter complètement. Des études de Los Alamos montrent que certains réseaux de neurones quantiques ne sont en fait pas affectés par les plateaux arides.

“Avec cette garantie, les chercheurs pourront filtrer les données informatiques quantiques sur les systèmes quantiques et utiliser ces informations pour étudier les propriétés des matériaux et découvrir de nouveaux matériaux, entre autres applications”, a déclaré Los Alamos. dit le physicien quantique Patrick Coles. Et co-auteur de l’article.

Coles pense qu’à mesure que les chercheurs utilisent plus souvent des ordinateurs quantiques à court terme et génèrent plus de données, il y aura plus d’applications pour les algorithmes d’IA quantique. Tous les programmes d’apprentissage automatique consomment de grandes quantités de données.

Éviter la disparition du gradient

“Un plateau aride perd tout espoir d’accélérations et d’avantages quantiques”, déclare Cerezo.

Au cœur du problème se trouve la « disparition du gradient » dans le paysage optimisé. Le paysage se compose de collines et de vallées, et l’objectif est d’entraîner les paramètres du modèle pour trouver une solution en explorant la géographie du paysage. La solution se trouve généralement au fond de la vallée la plus basse, pour ainsi dire. Cependant, dans les paysages plats, il est difficile de décider dans quelle direction prendre, il n’est donc pas possible d’entraîner les paramètres.

Ce problème est particulièrement pertinent à mesure que le nombre d’entités de données augmente. En fait, le paysage devient exponentiellement plat avec la taille de l’entité. Par conséquent, le réseau de neurones quantiques ne peut pas être agrandi en présence de plateaux stériles.

L’équipe de Los Alamos a développé une nouvelle approche graphique pour analyser la mise à l’échelle dans les réseaux de neurones quantiques et prouver son potentiel de formation.

Depuis plus de 40 ans, les physiciens pensent que les ordinateurs quantiques peuvent nous aider à simuler et à comprendre le système quantique de particules qui étouffent les ordinateurs classiques traditionnels. Le type de réseau de neurones à convolution quantique qui s’est avéré robuste dans les études de Los Alamos devrait avoir des applications qui aident à analyser les données des simulations quantiques.

“Le domaine de l’apprentissage automatique quantique est encore jeune”, a déclaré Coles. « Une citation célèbre dit que lorsque les lasers ont été découverts pour la première fois, ils étaient la solution au problème. Aujourd’hui, les lasers sont utilisés partout. De même, beaucoup d’entre nous sont quantiques. Nous pensons que les données seront hautement disponibles et que l’apprentissage automatique quantique sera sur la bonne voie. “

Par exemple, la recherche se concentre sur les matériaux céramiques en tant que supraconducteurs à haute température, a déclaré Coles. Cela a le potentiel d’améliorer le transport sans friction comme les trains maglev. Cependant, analyser et classer les données sur les nombreuses phases de ces matériaux qui sont affectées par la température, la pression et les impuretés est une tâche majeure qui dépasse les capacités des ordinateurs traditionnels.

À l’aide d’un réseau de neurones quantiques évolutif, les ordinateurs quantiques peuvent passer au crible de vastes ensembles de données de différents états d’un matériau particulier et corréler ces états avec des phases pour identifier l’état optimal de la supraconductivité à haute température. augmenter.

Référence : « Manque de plateaux stériles dans les réseaux de neurones à convolution quantique », Arthur Pesah, M. Cerezo, Samson Wang, Tyler Volkoff, Andrew T. Sornborger, Patrick J. Coles, 15 octobre 2021 Examen physique X..
DOI : 10.1103 / PhysRevX.11.041011

Financement : Un programme de R & D dirigé par un laboratoire au Laboratoire national de Los Alamos.

https://scitechdaily.com/breakthrough-proof-clears-path-for-quantum-ai-overcoming-threat-of-barren-plateaus/ Des preuves révolutionnaires ouvrent la voie à l’IA quantique – surmontant la menace d’un “plateau stérile”