Запутанность открывает возможности масштабирования для квантового машинного обучения

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Область машинного обучения на квантовых компьютерах получила импульс благодаря новым исследованиям, устраняющим потенциальное препятствие на пути практической реализации квантовых нейронных сетей. В то время как теоретики ранее полагали, что для обучения квантовой нейронной сети потребуется экспоненциально большой обучающий набор, квантовая теорема о бесплатном обеде, разработанная Лос-Аламосской национальной лабораторией, показывает, что квантовая запутанность устраняет эти экспоненциальные накладные расходы.

"Наша работа доказывает, что как большие данные, так и большая запутанность ценны в квантовом машинном обучении. Более того, запутанность приводит к масштабируемости, что решает проблему экспоненциального увеличения размера данных для их изучения", - сказал Эндрю Сорнборгер, специалист по информатике из Лос-Аламоса и соавтор статьи, опубликованной 18 февраля в Physical Review Letters. "Теорема дает нам надежду на то, что квантовые нейронные сети находятся на пути к цели квантового ускорения, где в конечном итоге они превзойдут свои аналоги на классических компьютерах".

Классическая теорема о бесплатном обеде гласит, что любой алгоритм машинного обучения так же хорош, как и любой другой, но не лучше, когда его производительность усредняется по всем возможным функциям, соединяющим данные с их метками. Прямым следствием этой теоремы, демонстрирующей мощь данных в классическом машинном обучении, является то, что чем больше у вас данных, тем выше средняя производительность. Таким образом, данные - это валюта в машинном обучении, которая в конечном итоге ограничивает производительность.

Новая теорема о бесплатном обеде в Лос-Аламосе показывает, что в квантовом режиме запутанность также является валютой, которую можно обменять на данные, чтобы снизить требования к данным.

Используя квантовый компьютер Ригетти, команда связала набор квантовых данных с системой отсчета, чтобы проверить новую теорему.

"Мы продемонстрировали на квантовом оборудовании, что мы можем эффективно нарушать стандартную теорему о бесплатном обеде, используя запутанность, в то время как наша новая формулировка теоремы выдержала экспериментальную проверку", - сказал Кунал Шарма, первый автор статьи.

"Наша теорема предполагает, что запутанность следует рассматривать как ценный ресурс в квантовом машинном обучении наряду с большими данными", - сказал Патрик Коулс, физик из Лос-Аламоса и старший автор статьи. "Классические нейронные сети зависят только от больших данных".


Источник: phys.org

Комментарии: