Прорыв к квантовому ИИ и квантовому превосходству.

Доказана теорема упрощения Гильбертова пространства обучения квантового ИИ до нескольких точек.

Для машинного обучения ИИ значение этого прорыва команды проекта «За пределами закона Мура» может стать в один ряд с прорывом команды Манхэттенского проекта, нашедшей путь к созданию атомной бомбы.

Удивительно, что оба эти прорыва совершены с интервалом в 80 лет в одной и той же Лос-Аламосской национальной лаборатории США – детище великих Ванневара Буша и Роберта Оппенгеймера.

Но еще больше меня поражает, что как и с атомной бомбой, прорыв стал возможен благодаря лишь творческой гениальности нескольких теоретиков, совершивших открытие не на каком-то дорогущем оборудовании типа коллайдера, а буквально на кончике пера – на сей раз, доказав 4 новых теоремы.

• Для машинного обучения (МО) современных систем искусственного интеллекта (ИИ) требуются колоссальные объемы данных. Для их обработки при обучении моделей необходима огромная вычислительная мощность.

• На пути роста вычислительной мощности закон Мура, преодолеть который разработчики надеются переходом на квантовые компьютеры и квантовое МО.

• Для процесса квантового МО количество параметров или переменных будет определяться размером математической конструкции, называемой Гильбертовым пространством, которое становится экспоненциально большим при обучении на большом количестве кубитов (кубит, или квантовый бит, является основной вычислительной единицей квантовых вычислений и аналогичен биту в классических вычислениях). Такой размер Гильбертового пространства делает квантовое МО практически невозможным в вычислительном отношении.

• До сего времени предполагалось, что Гильбертово пространство для всего-то 30 кубитов будет состоять из миллиарда состояний. И тогда при обучении модели для поиска в этом пространстве потребуется миллиард точек данных.

И вот прорыв. Из доказанных теоретиками Лос-Аламосской лаборатории 4-х теорем следует, что при квантовом МО не нужно шерстить все Гильбертово пространство, а нужно лишь столько точек данных, сколько параметров в вашей модели. Для многих моделей число параметров, примерно, равно количеству кубитов —т.е. для квантового компа с 30 кубитами потребуется всего около 30 точек данных.

Значение этого прорыва огромно, т.к. оно даёт гарантии эффективности даже для классических алгоритмов, имитирующих квантовые модели ИИ. В этом случае обучающие данные и компиляцию модели можно обсчитывать на классическом компьютере (что упрощает процесс). А затем модель МО запускается на квантовом компьютере.

Это существенно снижает требования к производительности квантового компьютера, в отношении шума и ошибок при выполнения значимых квантовых симуляций.

Из чего следует, что мы все ближе к практической реализации квантового превосходства.

Подробней:

популярно- https://thequantuminsider.com/2022/08/24/quantum-ai-may-need-only-minimal-data-proof-takes-step-toward-quantum-advantage/

научно- https://www.nature.com/articles/s41467-022-32550-3

Квантовому ИИ Может Потребоваться Лишь Минимум Данных — Доказательство Делает Шаг К Квантовому Преимуществу

Инсайдерская информация

Эксперты опасаются, что квантовый искусственный интеллект или программы машинного обучения потребуют огромного объема данных, но ученые из Лос-Аламосской национальной лаборатории предполагают, что это предположение неверно.
Математическое доказательство указывает на то, что для некоторых актуальных задач не потребуется больших объемов данных для обучения квантовых моделей искусственного интеллекта.

Эта работа может привести к преимуществам квантового ИИ и ОД по сравнению с классическими подходами к ИИ.

НОВОСТИ ИССЛЕДОВАНИЙ — Обучение квантовой нейронной сети требует лишь небольшого объема данных, согласно новому доказательству, которое опровергает предыдущие предположения, вытекающие из огромного интереса классических вычислений к данным в машинном обучении или искусственном интеллекте. Теорема имеет несколько прямых применений, включая более эффективную компиляцию для квантовых компьютеров и различение фаз материи для открытия материалов.

“Многие люди считают, что для квантового машинного обучения потребуется много данных. Мы строго показали, что для многих актуальных проблем это не так”, - сказал Лукаш Цинцио, квантовый теоретик из Лос-Аламосской национальной лаборатории и соавтор статьи, содержащей доказательство, опубликованное в журнале Nature Communications. “Это дает новую надежду на квантовое машинное обучение. Мы сокращаем разрыв между тем, что у нас есть сегодня, и тем, что необходимо для квантового преимущества, когда квантовые компьютеры превосходят классические компьютеры ”.

“Потребность в больших наборах данных могла бы стать препятствием на пути к квантовому ИИ, но наша работа устраняет это препятствие. Хотя другие проблемы для квантового ИИ все еще могут существовать, по крайней мере, теперь мы знаем, что размер набора данных не является проблемой”, - сказал Патрик Коулс, квантовый теоретик из Лаборатории и соавтор статьи.

Все системы искусственного интеллекта нуждаются в данных для обучения нейронных сетей распознаванию — то есть обобщению — невидимых данных в реальных приложениях. Предполагалось, что количество параметров, или переменных, будет определяться размером математической конструкции, называемой гильбертовым пространством, которое становится экспоненциально большим при обучении на большом количестве кубитов. Такой размер делал этот подход практически невозможным в вычислительном отношении. Кубит, или квантовый бит, является основной вычислительной единицей квантовых вычислений и аналогичен биту в классических вычислениях.

“Трудно представить, насколько огромно гильбертово пространство: пространство из миллиарда состояний, даже если у вас всего 30 кубитов”, - сказал Коулз. “Процесс обучения квантовому ИИ происходит внутри этого огромного пространства. Вы можете подумать, что для поиска в этом пространстве потребуется миллиард точек данных, чтобы направлять вас. Но мы показали, что вам нужно только столько точек данных, сколько параметров в вашей модели. Это часто примерно равно количеству кубитов — так что всего около 30 точек данных”, - сказал Коулс.

По словам Цинцио, одним из ключевых аспектов результатов является то, что они дают гарантии эффективности даже для классических алгоритмов, имитирующих квантовые модели искусственного интеллекта, поэтому обучающие данные и компиляция часто могут обрабатываться на классическом компьютере, что упрощает процесс. Затем модель машинного обучения запускается на квантовом компьютере.

“Это означает, что мы можем снизить требования к качеству производительности, которые нам нужны от квантового компьютера, в отношении шума и ошибок, для выполнения значимых квантовых симуляций, что все больше приближает квантовое преимущество к реальности”, - сказал Цинцио.

Впечатляющие практические применения

Ускорение, полученное в результате нового доказательства, имеет огромное практическое применение. Команда обнаружила, что они могут гарантировать, что квантовая модель может быть скомпилирована или подготовлена для обработки на квантовом компьютере за гораздо меньшее количество вычислительных вентилей по сравнению с объемом данных. Компиляция, важнейшее приложение для индустрии квантовых вычислений, может сократить длинную последовательность операционных элементов или превратить квантовую динамику системы в последовательность элементов.

“Наша теорема приведет к гораздо лучшим инструментам компиляции для квантовых вычислений”, - сказал Цинцио. “Особенно с сегодняшними шумными квантовыми компьютерами среднего масштаба, где каждый элемент имеет значение, вы хотите использовать как можно меньше элементов, чтобы не улавливать слишком много шума, который вызывает ошибки”.

Команда также показала, что квантовый ИИ может классифицировать квантовые состояния через фазовый переход после обучения на очень небольшом наборе данных.

“Классификация фаз квантовой материи важна для материаловедения и имеет отношение к миссии Лос-Аламоса”, - сказал Эндрю Сорнборгер, директор Центра квантовых наук в Лаборатории и соавтор статьи. “Эти материалы сложны, имеют множество различных фаз, таких как сверхпроводящая и магнитная фазы”.

По словам Сорнборгера, создание материалов с желаемыми свойствами, такими как сверхпроводимость, требует понимания фазовой диаграммы, которую, как доказала команда, можно обнаружить с помощью системы машинного обучения с минимальной подготовкой.

Другие потенциальные применения новой теоремы включают изучение квантовых кодов с исправлением ошибок и квантовое динамическое моделирование.

Превышение ожиданий

“Эффективность нового метода превзошла наши ожидания”, - сказал Марко Сересо, эксперт по квантовому машинному обучению из Лос-Аламоса. “Мы можем скомпилировать определенные, очень большие квантовые операции в течение нескольких минут с очень небольшим количеством точек обучения — то, что ранее было невозможно”.

“Долгое время мы не могли поверить, что этот метод будет работать так эффективно”, - сказал Цинцио. “Что касается компилятора, то наш численный анализ показывает, что он даже лучше, чем мы можем доказать. Нам нужно тренироваться только на небольшом количестве состояний из миллиардов, которые возможны. Нам не нужно проверять все варианты, а только некоторые. Это чрезвычайно упрощает обучение”.

Статья: Обобщение в квантовом машинном обучении на основе небольшого количества обучающих данных, Маттиас К. Каро, Синь-Юань Хуан, М. Сересо, Кунал Шарма, Эндрю Сорнборгер, Лукаш Цинцио и Патрик Дж. Коулз, в Nature Communications.

Финансирование (только соавторы из Лос-Аламоса): Проект ASC Beyond Moor's Law в Лос-Аламосской национальной лаборатории; Управление науки Министерства энергетики США, Программа ускоренных исследований в области квантовых вычислений; Программа лабораторных исследований и разработок в Лос-Аламосской национальной лаборатории; Управление науки Министерства энергетики США, Национальные центры исследований квантовой информатики, Квантовый научный центр и Министерство обороны.

Источник: thequantuminsider.com

Комментарии: