publicidad
Noticias científicas
de organizaciones de investigación

La prueba de avance despeja el camino para la IA cuántica

El nuevo teorema demuestra que las redes neuronales convolucionales siempre se pueden entrenar en computadoras cuánticas, superando la amenaza de 'mesetas estériles' en los problemas de optimización

Fecha :
18 de octubre de 2021
Fuente :
DOE / Laboratorio Nacional de Los Alamos
Resumen :
Las redes neuronales convolucionales que se ejecutan en computadoras cuánticas han generado un gran revuelo por su potencial para analizar datos cuánticos mejor que las computadoras clásicas.
Compartir :
HISTORIA COMPLETA

Las redes neuronales convolucionales que se ejecutan en computadoras cuánticas han generado un gran revuelo por su potencial para analizar datos cuánticos mejor que las computadoras clásicas. Si bien un problema fundamental de resolución conocido como "mesetas estériles" ha limitado la aplicación de estas redes neuronales para grandes conjuntos de datos,Una nueva investigación supera ese talón de Aquiles con una prueba rigurosa que garantiza la escalabilidad.

"La forma en que se construye una red neuronal cuántica puede conducir a una meseta estéril, o no", dijo Marco Cerezo, coautor del artículo titulado "Ausencia de mesetas estériles en redes neuronales convolucionales cuánticas", publicado hoy por Los Alamos.Equipo de Laboratorio Nacional en Revisión física X . Cerezo es un físico especializado en computación cuántica, aprendizaje de máquinas cuánticas e información cuántica en Los Alamos. "Demostramos la ausencia de mesetas estériles para un tipo especial de red neuronal cuántica. Nuestro trabajo proporciona garantías de capacidad de entrenamiento para esta arquitectura, es decirque uno puede entrenar genéricamente sus parámetros ".

Como metodología de inteligencia artificial IA, las redes neuronales convolucionales cuánticas se inspiran en la corteza visual. Como tales, involucran una serie de capas convolucionales, o filtros, intercalados con capas agrupadas que reducen la dimensión de los datos mientras se mantienen importantescaracterísticas de un conjunto de datos.

Estas redes neuronales se pueden usar para resolver una variedad de problemas, desde el reconocimiento de imágenes hasta el descubrimiento de materiales. Superar las mesetas estériles es clave para extraer todo el potencial de las computadoras cuánticas en aplicaciones de inteligencia artificial y demostrar su superioridad sobre las computadoras clásicas.

Hasta ahora, dijo Cerezo, los investigadores en aprendizaje automático cuántico analizaron cómo mitigar los efectos de las mesetas estériles, pero carecían de una base teórica para evitarlas por completo. El trabajo de Los Alamos muestra cómo algunas redes neuronales cuánticas son, de hecho, inmunesa mesetas estériles.

"Con esta garantía en la mano, los investigadores ahora podrán examinar datos de computadoras cuánticas sobre sistemas cuánticos y usar esa información para estudiar las propiedades de los materiales o descubrir nuevos materiales, entre otras aplicaciones", dijo Patrick Coles, físico cuántico deLos Alamos y coautor del artículo.

Surgirán muchas más aplicaciones para los algoritmos de IA cuántica, piensa Coles, a medida que los investigadores usen computadoras cuánticas a corto plazo con más frecuencia y generen más y más datos; todos los programas de aprendizaje automático están hambrientos de datos.

Evitando el degradado que desaparece

"Toda esperanza de aceleración o ventaja cuántica se pierde si tienes una meseta estéril", dijo Cerezo.

El meollo del problema es un "gradiente que desaparece" en el paisaje de optimización. El paisaje está compuesto por colinas y valles, y el objetivo es entrenar los parámetros del modelo para encontrar la solución mediante la exploración de la geografía del paisaje. La solucióngeneralmente se encuentra en el fondo del valle más bajo, por así decirlo. Pero en un paisaje plano no se pueden entrenar los parámetros porque es difícil determinar qué dirección tomar.

Ese problema se vuelve particularmente relevante cuando aumenta el número de características de datos. De hecho, el paisaje se vuelve exponencialmente plano con el tamaño de la característica. Por lo tanto, en presencia de una meseta estéril, la red neuronal cuántica no se puede escalar.

El equipo de Los Alamos desarrolló un enfoque gráfico novedoso para analizar la escala dentro de una red neuronal cuántica y demostrar su capacidad de entrenamiento.

Durante más de 40 años, los físicos han pensado que las computadoras cuánticas resultarían útiles para simular y comprender los sistemas cuánticos de partículas, que ahogan a las computadoras clásicas convencionales. Se espera que el tipo de red neuronal convolucional cuántica que la investigación de Los Alamos ha demostrado ser robusta tengaaplicaciones útiles en el análisis de datos de simulaciones cuánticas.

"El campo del aprendizaje automático cuántico es todavía joven", dijo Coles. Hay una cita famosa sobre los láseres, cuando se descubrieron por primera vez, que decía que eran una solución en busca de un problema. Ahora los láseres se utilizan en todas partes. De manera similar, algunos de nosotros sospechamos que los datos cuánticos estarán altamente disponibles y luego despegará el aprendizaje automático cuántico ".

Por ejemplo, la investigación se centra en materiales cerámicos como superconductores de alta temperatura, dijo Coles, lo que podría mejorar el transporte sin fricción, como los trenes de levitación magnética. Pero analizar datos sobre la gran cantidad de fases del material, que están influenciadas por la temperatura, la presión, e impurezas en estos materiales, y clasificar las fases es una tarea enorme que va más allá de las capacidades de las computadoras clásicas.

Usando una red neuronal cuántica escalable, una computadora cuántica podría examinar un vasto conjunto de datos sobre los diversos estados de un material dado y correlacionar esos estados con fases para identificar el estado óptimo para la superconducción de alta temperatura.


Fuente de la historia :

Materiales proporcionado por DOE / Laboratorio Nacional de Los Alamos . Nota: el contenido se puede editar por estilo y longitud.


Referencia de la revista :

  1. Arthur Pesah, M. Cerezo, Samson Wang, Tyler Volkoff, Andrew T. Sornborger, Patrick J. Coles. Ausencia de mesetas estériles en redes neuronales convolucionales cuánticas . Revisión física X , 2021; 11 4 DOI: 10.1103 / PhysRevX.11.041011

cite esta página :

DOE / Laboratorio Nacional de Los Alamos. "Prueba de avance despeja el camino para la IA cuántica: el nuevo teorema demuestra que las redes neuronales convolucionales siempre se pueden entrenar en computadoras cuánticas, superando la amenaza de 'mesetas estériles' en problemas de optimización". ScienceDaily. ScienceDaily, 18 de octubre2021. .
DOE / Laboratorio Nacional de Los Alamos. 2021, 18 de octubre. Prueba de avance despeja el camino para la IA cuántica: el nuevo teorema demuestra que las redes neuronales convolucionales siempre se pueden entrenar en computadoras cuánticas, superando la amenaza de 'mesetas estériles' en los problemas de optimización. ScienceDaily . Obtenido el 18 de octubre de 2021 de www.science-things.com/releases/2021/10/211018154236.htm
DOE / Laboratorio Nacional de Los Alamos. "Prueba de avance despeja el camino para la IA cuántica: el nuevo teorema demuestra que las redes neuronales convolucionales siempre se pueden entrenar en computadoras cuánticas, superando la amenaza de 'mesetas estériles' en problemas de optimización". ScienceDaily. Www.science-things.com/releases/2021/10/211018154236.htm consultado el 18 de octubre de 2021.

1

2

3

4

5
HISTORIAS RELACIONADAS