Een nieuwe stelling op het gebied van kwantummachine learning heeft een groot gat geslagen in het geaccepteerde begrip over informatieversluiering.

"Onze stelling houdt in dat we kwantummachine learning niet kunnen gebruiken om typische willekeurige of chaotische processen te leren, zoals zwarte gaten. In deze betekenis, het stelt een fundamentele grens aan de leerbaarheid van onbekende processen, zei Zoë Holmes, een post-doc bij Los Alamos National Laboratory en co-auteur van het artikel dat het werk beschrijft dat vandaag is gepubliceerd in Fysieke beoordelingsbrieven .

"Dankbaar, omdat de meeste fysiek interessante processen voldoende eenvoudig of gestructureerd zijn zodat ze niet op een willekeurig proces lijken, de resultaten veroordelen het leren van kwantummachines niet, maar benadrukken eerder het belang van het begrijpen van de grenzen ervan, ' zei Holmes.

In het klassieke Hayden-Preskill gedachte-experiment, een fictieve Alice gooit informatie zoals een boek in een zwart gat dat de tekst door elkaar gooit. Haar metgezel, Bob, kan het nog steeds ophalen met behulp van verstrengeling, een uniek kenmerk van de kwantumfysica. Echter, het nieuwe werk bewijst dat de fundamentele beperkingen van Bob's vermogen om de details van de fysica van een bepaald zwart gat te leren, betekent dat het reconstrueren van de informatie in het boek erg moeilijk of zelfs onmogelijk zal zijn.

"Alle informatie die door een informatievervormer, zoals een zwart gat, loopt, zal een punt bereiken waarop het machine learning-algoritme op een kaal plateau vastloopt en dus ontrainbaar wordt. Dat betekent dat het algoritme geen scrambling-processen kan leren, " zei Andrew Sornborger, een computerwetenschapper bij Los Alamos en co-auteur van het artikel. Sornborger is directeur van het Quantum Science Center in Los Alamos en leider van de algoritmen en simulaties van het centrum. Het centrum is een multi-institutionele samenwerking onder leiding van het Oak Ridge National Laboratory .

Kale plateaus zijn gebieden in de wiskundige ruimte van optimalisatiealgoritmen waar het vermogen om het probleem op te lossen exponentieel moeilijker wordt naarmate de omvang van het bestudeerde systeem toeneemt. Dit fenomeen, die de trainbaarheid van grootschalige kwantumneurale netwerken ernstig beperkt, werd in een recent artikel beschreven door een gerelateerd Los Alamos-team.

"Recent werk heeft aangetoond dat het leren van kwantummachines een formidabel hulpmiddel kan zijn in onze pogingen om complexe systemen te begrijpen, " zei Andreas Albrecht, een co-auteur van het onderzoek. Albrecht is directeur van het Centre for Quantum Mathematics and Physics (QMAP) en Distinguished Professor, Vakgroep Natuur- en Sterrenkunde, bij UC Davis. "Ons werk wijst op fundamentele overwegingen die de mogelijkheden van deze tool beperken."

In het Hayden-Preskill gedachte-experiment, Alice probeert een geheim te vernietigen, gecodeerd in een kwantumtoestand, door het in de snelste scrambler van de natuur te gooien, een zwart gat. Bob en Alice zijn het fictieve kwantumdynamische duo dat doorgaans door natuurkundigen wordt gebruikt om agenten in een gedachte-experiment te vertegenwoordigen.

"Je zou kunnen denken dat dit Alice's geheim behoorlijk veilig zou maken, "Holmes zei, "maar Hayden en Preskill voerden aan dat als Bob de unitaire dynamiek kent die door het zwarte gat wordt geïmplementeerd, en een maximaal verstrengelde staat delen met het zwarte gat, het is mogelijk om Alice's geheim te ontcijferen door een paar extra fotonen te verzamelen die door het zwarte gat worden uitgezonden. Maar dit roept de vraag op, hoe kon Bob de dynamiek leren die door het zwarte gat werd geïmplementeerd? We zullen, niet door quantum machine learning te gebruiken, volgens onze bevindingen."

Een belangrijk onderdeel van de nieuwe stelling ontwikkeld door Holmes en haar co-auteurs veronderstelt geen voorkennis van de kwantumscrambler, een situatie die zich in de echte wetenschap waarschijnlijk niet voordoet.

"Ons werk vestigt de aandacht op de enorme hefboomwerking die zelfs kleine hoeveelheden voorafgaande informatie kunnen spelen in ons vermogen om informatie uit complexe systemen te extraheren en mogelijk de kracht van onze stelling te verminderen, " Albrecht zei. "Ons vermogen om dit te doen kan sterk variëren tussen verschillende situaties (zoals we scannen van theoretische beschouwing van zwarte gaten tot concrete situaties die door mensen hier op aarde worden gecontroleerd). Toekomstig onderzoek zal waarschijnlijk interessante voorbeelden opleveren, beide situaties waarin onze stelling volledig van kracht blijft, en andere waar het kan worden ontweken.