Machine learning-technieken zijn tot nu toe veelbelovend gebleken voor de analyse van gegevens op verschillende gebieden, met veel potentiële toepassingen. Echter, onderzoekers hebben ontdekt dat het toepassen van deze methoden op kwantumfysica-problemen veel uitdagender is vanwege de exponentiële complexiteit van systemen met veel lichamen.

Quantum veellichamensystemen zijn in wezen microscopisch kleine structuren die bestaan ​​uit verschillende op elkaar inwerkende deeltjes. Hoewel kwantumfysica-studies zich hebben gericht op het collectieve gedrag van deze systemen, het gebruik van machine learning in deze onderzoeken is erg moeilijk gebleken.

Met dit in gedachten, een team van onderzoekers van de Harvard University heeft onlangs een op kwantumcircuits gebaseerd algoritme ontwikkeld, geïnspireerd op convolutionele neurale netwerken (CNN's), een populaire machine learning-techniek die opmerkelijke resultaten heeft bereikt op verschillende gebieden. In hun krant gepubliceerd in Natuurfysica , de onderzoekers schetsten deze nieuwe architectuur en evalueerden de nauwkeurigheid ervan bij het herkennen van kwantumtoestanden geassocieerd met een 1-D, symmetrie-beschermde topologische fase.

"Ons werk is grotendeels gemotiveerd door recente experimentele vooruitgang om kwantumcomputers te bouwen en de ontwikkeling van kunstmatige intelligentie op basis van neurale netwerkmethoden, "Sonwon Choi, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde Phys.org. "In zekere zin, het idee om machine learning-technieken en kwantumcomputers/simulatoren te combineren is heel natuurlijk:op beide gebieden, we proberen zinvolle informatie te extraheren uit een grote hoeveelheid complexe gegevens."

Als theoretisch fysicus die kwantum veel-lichamensystemen onderzoekt, Choi had zich vaak afgevraagd of er een efficiëntere manier was om de grote hoeveelheid complexe data die met kwantumsimulatoren is verkregen, te analyseren. Kunstmatige neurale netwerken trokken al snel zijn aandacht, omdat ze leidden tot opmerkelijke resultaten in verschillende andere taken.

Het transformeren van traditionele machine learning-benaderingen, zodat ze effectief kunnen worden toegepast in de kwantumfysica, echter, bleek een uitdaging te zijn. De belangrijkste reden hiervoor is dat bestaande kwantumsimulatoren vrij klein zijn, dus zijn ze niet in staat om grootschalige CNN's en andere machine learning-technieken te ondersteunen die in conventionele computers worden gebruikt.

"We moesten ervoor zorgen dat alle belangrijke functies van conventionele machine learning-technieken behouden blijven, terwijl ons nieuwe algoritme zo compact mogelijk is, Choi legde uit. "Een van de doelstellingen van het huidige werk was om een ​​specifiek, bekende machine learning-architectuur genaamd convolutioneel neuraal netwerk (CNN) voor een compact kwantumcircuit, en demonstreren zijn mogelijkheden met simplistische maar zinvolle voorbeelden."

In hun studie hebben Choi en zijn collega's gingen ervan uit dat CNN's hun grote succes te danken hebben aan twee belangrijke kenmerken. Ten eerste, het feit dat ze zijn gemaakt van kleinere lokale eenheden (d.w.z. meerdere lagen quasi-lokale kwantumpoorten). Ten tweede, hun vermogen om invoergegevens op een hiërarchische manier te verwerken. De onderzoekers vonden een verband tussen deze twee kenmerken en twee bekende natuurkundige concepten die bekend staan ​​als lokaliteit en renormalisatie.

"Lokaliteit is natuurlijk in de natuurkunde omdat we geloven dat de natuurwet fundamenteel lokaal is, " zei Choi. "Renormalisatie, anderzijds, is een zeer interessant concept. in de natuurkunde, bepaalde universele kenmerken van een quantum veellichamensysteem, zoals de fase (bijv. vloeistof, gas, stevig, etc.) van materialen niet afhankelijk zijn van (of niet gevoelig zijn voor) microscopisch gedetailleerde informatie van het systeem, maar eerder beheerst door slechts een paar belangrijke verborgen parameters. Renormalisatie is een theoretische techniek om die belangrijke parameters te identificeren uitgaande van een microscopische beschrijving van een kwantumsysteem."

De onderzoekers merkten op dat renormalisatieprocessen enkele overeenkomsten vertonen met patroonherkenningstoepassingen, met name die waarin machine learning wordt gebruikt om objecten in afbeeldingen te identificeren. Bijvoorbeeld, wanneer een CNN die is opgeleid voor patroonherkenningstaken foto's van dieren analyseert, het richt zich op een universeel kenmerk (d.w.z. proberen te identificeren welk dier op de afbeelding is afgebeeld), ongeacht of individuele dieren van hetzelfde type (bijv. katten) zien er iets anders uit.

Dit proces lijkt enigszins op renormalisatietechnieken in de theoretische natuurkunde, die ook kan helpen om universele informatie te distilleren. In hun studie hebben Choi en zijn collega's probeerden een architectuur te ontwikkelen met dezelfde kernkwaliteiten als CNN's, maar dat zou ook van toepassing zijn op kwantumfysica-problemen.

"Het resulterende kwantumcircuit omvat alleen het log (n) aantal parameters dat moet worden geoptimaliseerd voor n-qubit-invoergegevens, wat een dubbele exponentiële verbetering is in vergelijking met een naïeve benadering, waarin exp(n) aantal parameters is geoptimaliseerd, Choi legde uit. "Als het aantal te optimaliseren parameters zo klein wordt, men kan zich zorgen maken dat ons circuit niet in staat is tot complexe informatieverwerkingstaken. Echter, hebben we aangetoond dat ondanks zijn kleine formaat, onze kwantum CNN is nog steeds in staat om verschillende kwantumfasen te herkennen en kwantumfoutcorrectieschema's te ontwerpen."

De onderzoekers evalueerden de door hen ontwikkelde techniek, genaamd quantum convolutionele neurale netwerk (QCNN), op een kwantumfysica-specifiek probleem dat betrekking had op het herkennen van kwantumtoestanden geassocieerd met een 1-D symmetrie-beschermde topologische fase. Opmerkelijk, hun techniek was in staat om deze kwantumtoestanden te herkennen, beter presteren dan bestaande benaderingen. Omdat hij vrij compact is, de QCNN zou mogelijk ook in kleine kwantumcomputers kunnen worden geïmplementeerd.

"Volgens mij, de meest betekenisvolle bevinding in ons werk is het verband tussen bekende natuurkundige concepten, renormalisatie (of beter gezegd, meerschalige verstrengeling renormalisatie ansatz), en een succesvolle informatieverwerkingstechniek in kunstmatige intelligentie, CNN, "Zei Choi. "Vergelijkbare verbindingen zijn al enkele jaren geleden gesuggereerd, maar hier hebben we het verband met succes onderbouwd door het expliciet te demonstreren met een schoon voorbeeld."

Choi en zijn collega's behoren tot de eersten die met succes een op CNN geïnspireerde architectuur hebben gemaakt waarin kwantumfysica is verwerkt. De voorbeelden die in hun paper worden geschetst, zijn ook eenvoudig genoeg om experimenteel te worden toegepast op bestaande en toekomstige kwantumapparaten. Hun resultaten suggereren dat renormalisatie een veelbelovende techniek voor het verwerken van kwantuminformatie zou kunnen zijn en ze zijn dus van plan dit idee verder te onderzoeken.

"We hebben aangetoond dat onze methode het mogelijk maakt om kwantumfoutcorrectieschema's te ontwerpen die zijn afgestemd op een bepaald experimenteel systeem, " zei Choi. "Het zou heel opwindend zijn om zijn actie te zien bij het verlaten van kwantumcomputerplatforms en het verbeteren van hun prestaties."

In hun toekomstige werk, Choi en zijn collega's gaan eerst proberen hun bevindingen te gebruiken om nieuwe kwantumcomputers te ontwikkelen. In aanvulling, ze willen graag verder onderzoek doen naar de relatie tussen CNN's of andere op neurale netwerken gebaseerde methoden en renormalisatietechnieken.

"Hoewel we een mooi voorbeeld hebben aangetoond voor eendimensionale kwantumsystemen, meer diepgaande studie van het verband in zijn volle algemeenheid ontbreekt nog, " voegde Choi eraan toe. "In het bijzonder, het bestuderen van de verbinding in tweedimensionale kwantumsystemen zou een opwindende toekomstige richting zijn."

© 2019 Wetenschap X Netwerk