Veel algoritmen voor machinaal leren op kwantumcomputers lijden aan het gevreesde "dorre plateau" van onoplosbaarheid, waar ze doodlopen bij optimalisatieproblemen. Deze uitdaging was tot nu toe relatief onbestudeerd geweest. Rigoureus theoretisch werk heeft stellingen opgesteld die garanderen of een bepaald machine learning-algoritme zal werken als het op grotere computers wordt opgeschaald.

"Het werk lost een belangrijk probleem op van bruikbaarheid voor het leren van kwantummachines. We hebben rigoureus de omstandigheden bewezen waaronder bepaalde architecturen van variabele kwantumalgoritmen al dan niet kale plateaus zullen hebben als ze worden opgeschaald, " zei Marco Cerezo, hoofdauteur van het artikel gepubliceerd in Natuurcommunicatie vandaag door een Los Alamos National Laboratory-team. Cerezo is een postdoc die onderzoek doet naar de kwantuminformatietheorie in Los Alamos. "Met onze stellingen, je kunt garanderen dat de architectuur schaalbaar is tot kwantumcomputers met een groot aantal qubits."

"Meestal was de aanpak om een ​​optimalisatie uit te voeren en te kijken of het werkt, en dat leidde tot vermoeidheid bij onderzoekers in het veld, " zei Patrick Coles, een co-auteur van de studie. Het vaststellen van wiskundige stellingen en het afleiden van eerste principes neemt het giswerk weg bij het ontwikkelen van algoritmen.

Het Los Alamos-team gebruikte de gemeenschappelijke hybride benadering voor variabele kwantumalgoritmen, het trainen en optimaliseren van de parameters op een klassieke computer en het evalueren van de kostenfunctie van het algoritme, of de maatstaf voor het succes van het algoritme, op een kwantumcomputer.

Machine learning-algoritmen vertalen een optimalisatietaak, bijvoorbeeld het vinden van de kortste route voor een handelsreiziger door verschillende steden - naar een kostenfunctie, zei co-auteur Lukasz Cincio. Dat is een wiskundige beschrijving van een functie die wordt geminimaliseerd. De functie bereikt zijn minimumwaarde alleen als u het probleem oplost.

De meeste kwantumvariatie-algoritmen starten hun zoekopdracht willekeurig en evalueren de kostenfunctie globaal voor elke qubit, wat vaak leidt tot een onvruchtbaar plateau.

“Dat hebben we kunnen bewijzen, als je een kostenfunctie kiest die lokaal naar elke afzonderlijke qubit kijkt, dan garanderen we dat de schaling niet zal resulteren in een onmogelijk steile curve van tijd versus systeemgrootte, en daarom kan worden getraind, ' zei Coles.

Een kwantumvariatie-algoritme zet een probleemoplossend landschap op waarbij de pieken de hoge energiepunten van het systeem vertegenwoordigen, of probleem, en de valleien zijn de lage energiewaarden. Het antwoord ligt in de diepste vallei. Dat is de grondtoestand, weergegeven door de geminimaliseerde kostenfunctie. Om de oplossing te vinden, het algoritme traint zichzelf over het landschap, daardoor navigeren naar de lage plek.

"Mensen hebben kwantumneurale netwerken voorgesteld en deze gebenchmarkt door kleinschalige simulaties uit te voeren van 10s (of minder) paar qubits, "Zei Cerezo. "Het probleem is, je zult het kale plateau met een klein aantal qubits niet zien, maar als je probeert op te schalen naar meer qubits, het lijkt. Dan moet het algoritme herwerkt worden voor een grotere kwantumcomputer."

Een onvruchtbaar plateau is een trainbaarheidsprobleem dat optreedt in algoritmen voor het optimaliseren van machine learning wanneer de probleemoplossende ruimte plat wordt terwijl het algoritme wordt uitgevoerd. In die situatie, het algoritme kan de neerwaartse helling niet vinden in wat een landschap zonder karakter lijkt te zijn en er is geen duidelijk pad naar het energieminimum. Gebrek aan landschapselementen, de machine learning kan zichzelf niet trainen om de oplossing te vinden.

"Als je een onvruchtbaar plateau hebt, alle hoop op kwantumversnelling of kwantumvoordeel is verloren, ' zei Cerez.

De doorbraak van het Los Alamos-team zet een belangrijke stap in de richting van kwantumvoordeel, wanneer een kwantumcomputer een taak uitvoert die op een klassieke computer oneindig lang zou duren. Het behalen van kwantumvoordeel hangt op korte termijn af van het opschalen van variabele kwantumalgoritmen. Deze algoritmen hebben het potentieel om praktische problemen op te lossen wanneer kwantumcomputers van 100 qubits of meer beschikbaar komen - hopelijk binnenkort. Quantumcomputers halen momenteel maximaal 65 qubits. Een qubit is de basiseenheid van informatie in een kwantumcomputer, zoals bits in een klassieke digitale computer.

"Het heetste onderwerp in lawaaierige kwantumcomputers op middellange schaal zijn variabele kwantumalgoritmen, of quantum machine learning en quantum neurale netwerken, " Zei Coles. "Ze zijn voorgesteld voor toepassingen van het oplossen van de structuur van een molecuul in de chemie tot het simuleren van de dynamiek van atomen en moleculen en het ontbinden van getallen."