Wetenschappers van Skoltech hebben aangetoond dat kwantumverbeterde machine learning kan worden gebruikt op kwantum (in tegenstelling tot klassieke) gegevens, het overwinnen van een aanzienlijke vertraging die deze toepassingen gemeen hebben en het openen van een "vruchtbare grond om computationele inzichten in kwantumsystemen te ontwikkelen." Het artikel is gepubliceerd in het tijdschrift Fysieke beoordeling A .

Quantumcomputers gebruiken kwantummechanische effecten om informatie op te slaan en te manipuleren. Hoewel vaak wordt beweerd dat kwantumeffecten contra-intuïtief zijn, dergelijke effecten zullen het mogelijk maken dat kwantumverbeterde berekeningen aanzienlijk beter presteren dan de beste supercomputers. in 2019, de wereld zag een prototype hiervan door Google gedemonstreerd als quantum computationele superioriteit.

Er zijn kwantumalgoritmen ontwikkeld om een ​​reeks verschillende rekentaken te verbeteren; meer recentelijk is dit uitgegroeid tot quantum-enhanced machine learning. Quantum machine learning is mede ontwikkeld door Skoltech's resident-based Laboratory for Quantum Information Processing, onder leiding van Jacob Biamonte, een coathor van dit papier. "Machine learning-technieken zijn krachtige hulpmiddelen geworden voor het vinden van patronen in gegevens. Quantumsystemen produceren atypische patronen waarvan wordt gedacht dat klassieke systemen niet efficiënt produceren, het is dus niet verwonderlijk dat kwantumcomputers beter presteren dan klassieke computers op het gebied van machinaal leren, " hij zegt.

De standaardbenadering van kwantumverbeterde machine learning is het toepassen van kwantumalgoritmen op klassieke gegevens. Met andere woorden, klassieke gegevens (weergegeven door bitreeksen van enen en nullen) moeten worden opgeslagen of anderszins worden weergegeven door een kwantumprocessor voordat kwantumeffecten kunnen worden gebruikt. Dit wordt het data-readin-probleem genoemd. Data-readin dient om de snelheid te beperken die mogelijk is met behulp van quantum-enhanced machine learning-algoritmen.

Een team van Skoltech-onderzoekers heeft Quantum Enhanced Machine Learning samengevoegd met Quantum Enhanced Simulatie. hun benadering toepassen om faseovergangen te bestuderen in quantum-magnetische problemen met veel lichamen. Daarbij, ze trainen kwantumneurale netwerken met alleen kwantumtoestanden als gegevens. Met andere woorden, de auteurs omzeilen het probleem van het inlezen van gegevens door kwantummechanische toestanden van materie in te voeren. Dergelijke toestanden lijken over het algemeen een onmogelijke hoeveelheid geheugen te vereisen om te representeren met behulp van standaard (niet-kwantum) benaderingen.

De hoofdauteur van de studie, Skoltech-promovendus Alexey Uvarov beschrijft de studie als "een stap in de richting van het begrijpen van de kracht van kwantumapparaten voor machinaal leren." Onderzoekers hebben een assortiment van technieken samengevoegd, waaronder het toepassen van enkele ideeën uit tensornetwerken en verstrengelingstheorie bij de analyse van hun aanpak.

Het werk maakt gebruik van een subroutine die bekend staat als de Variational Quantum Eigensolver (VQE) - een algoritme dat iteratief een benadering vindt van de grondtoestand van een gegeven Quantum Hamiltoniaan. De output van deze subroutine is een set instructies om een ​​kwantumtoestand op een kwantumcomputer voor te bereiden.

De staat expliciet opschrijven, Hoewel, vereist doorgaans een exponentiële hoeveelheid geheugen, vandaar dat de eigenschappen van een dergelijke toestand het best kunnen worden onderzocht door deze in hardware voor te bereiden. Het leeralgoritme in het artikel behandelt het volgende probleem:gegeven een VQE-toestand die het grondtoestandsprobleem voor een kwantumspinmodel oplost, zoek uit tot welke van de twee fasen van de materie die staat behoort.

"Hoewel we onze benaderingen hebben gericht op problemen uit de fysica van de gecondenseerde materie, dergelijke kwantumverbeterde algoritmen zijn evenzeer van toepassing op uitdagingen in de materiaalwetenschap en de ontdekking van geneesmiddelen, ' merkt Biamonte op.