Marco Cerezo ผู้ร่วมเขียนบทความเรื่อง "Absence of Barren Plateaus in Quantum Convolutional Neural Networks" ซึ่งตีพิมพ์ในวันนี้โดยห้องปฏิบัติการแห่งชาติ Los Alamos กล่าวว่า "วิธีที่คุณสร้างเครือข่ายประสาทควอนตัมสามารถนำไปสู่ที่ราบสูงที่แห้งแล้งได้หรือไม่" ทีมงานในทางกายภาพรีวิว X Cerezo เป็นนักฟิสิกส์ที่เชี่ยวชาญด้านการคำนวณควอนตัม การเรียนรู้ของเครื่องควอนตัม และข้อมูลควอนตัมที่ Los Alamos "เราพิสูจน์แล้วว่าไม่มีที่ราบสูงที่แห้งแล้งสำหรับเครือข่ายควอนตัมนิวรัลชนิดพิเศษ งานของเราให้การรับประกันความสามารถในการฝึกอบรมสำหรับสถาปัตยกรรมนี้ ซึ่งหมายความว่าเราสามารถฝึกพารามิเตอร์โดยทั่วไปได้"

ในฐานะที่เป็นวิธีการของปัญญาประดิษฐ์ (AI) เครือข่ายนิวรัลควอนตัมคอนโวลูชันได้รับแรงบันดาลใจจากคอร์เทกซ์การมองเห็น ด้วยเหตุนี้ จึงเกี่ยวข้องกับชุดของเลเยอร์หรือตัวกรองแบบ Convolutional ที่สอดแทรกด้วยเลเยอร์การรวมที่ลดขนาดของข้อมูลในขณะที่ยังคงรักษาคุณลักษณะที่สำคัญของชุดข้อมูลไว้

โครงข่ายประสาทเทียมเหล่านี้สามารถใช้แก้ปัญหาต่างๆ ได้ ตั้งแต่การจดจำภาพไปจนถึงการค้นพบวัสดุ การเอาชนะที่ราบสูงที่แห้งแล้งเป็นกุญแจสำคัญในการดึงศักยภาพของคอมพิวเตอร์ควอนตัมในแอปพลิเคชัน AI และแสดงให้เห็นถึงความเหนือกว่าคอมพิวเตอร์แบบคลาสสิก

จนถึงขณะนี้ Cerezo กล่าวว่านักวิจัยในการเรียนรู้ของเครื่องควอนตัมได้วิเคราะห์วิธีลดผลกระทบของที่ราบสูงที่แห้งแล้ง แต่พวกเขาขาดพื้นฐานทางทฤษฎีในการหลีกเลี่ยงทั้งหมด งาน Los Alamos แสดงให้เห็นว่าโครงข่ายประสาทควอนตัมบางเครือข่ายมีภูมิคุ้มกันต่อที่ราบสูงที่แห้งแล้งได้อย่างไร

"ด้วยการรับประกันนี้ นักวิจัยจะสามารถกรองข้อมูลคอมพิวเตอร์ควอนตัมเกี่ยวกับระบบควอนตัม และใช้ข้อมูลนั้นเพื่อศึกษาคุณสมบัติของวัสดุหรือค้นพบวัสดุใหม่ ท่ามกลางการใช้งานอื่นๆ" แพทริก โคลส์ นักฟิสิกส์ควอนตัมจากลอส อาลามอส กล่าว และผู้ร่วมเขียนบทความ

Coles คิดด้วยว่าจะมีแอปพลิเคชันอีกมากมายสำหรับอัลกอริธึม AI ควอนตัม ในขณะที่นักวิจัยใช้คอมพิวเตอร์ควอนตัมระยะใกล้บ่อยขึ้น และสร้างข้อมูลมากขึ้นเรื่อยๆ โปรแกรมการเรียนรู้ของเครื่องทั้งหมดต้องการข้อมูลมาก

เลี่ยงการไล่สีที่หายไป

"ความหวังทั้งหมดของการเร่งความเร็วควอนตัมหรือความได้เปรียบจะหายไปหากคุณมีที่ราบสูงที่แห้งแล้ง" เซเรโซกล่าว

ปมของปัญหาคือ "การไล่ระดับสีที่หายไป" ในแนวการปรับให้เหมาะสม ภูมิทัศน์ประกอบด้วยเนินเขาและหุบเขา และเป้าหมายคือการฝึกพารามิเตอร์ของแบบจำลองเพื่อค้นหาวิธีแก้ปัญหาโดยการสำรวจภูมิศาสตร์ของภูมิประเทศ วิธีแก้ปัญหามักจะอยู่ที่ก้นหุบเขาที่ต่ำที่สุด แต่ในภูมิประเทศที่ราบเรียบ เราไม่สามารถฝึกพารามิเตอร์ได้ เนื่องจากเป็นการยากที่จะกำหนดทิศทางที่จะไป

ปัญหานั้นจะมีความเกี่ยวข้องโดยเฉพาะอย่างยิ่งเมื่อจำนวนของคุณสมบัติข้อมูลเพิ่มขึ้น อันที่จริง ภูมิทัศน์จะราบเรียบแบบทวีคูณด้วยขนาดคุณลักษณะ ดังนั้น เมื่อมีที่ราบสูงที่แห้งแล้ง โครงข่ายประสาทควอนตัมไม่สามารถขยายขนาดขึ้นได้

ทีมงาน Los Alamos ได้พัฒนาแนวทางกราฟิกแบบใหม่สำหรับการวิเคราะห์การปรับขนาดภายในเครือข่ายควอนตัมประสาทและพิสูจน์ความสามารถในการฝึก

เป็นเวลากว่า 40 ปีแล้วที่นักฟิสิกส์คิดว่าคอมพิวเตอร์ควอนตัมจะพิสูจน์ได้ว่ามีประโยชน์ในการจำลองและทำความเข้าใจระบบควอนตัมของอนุภาค ซึ่งทำให้คอมพิวเตอร์คลาสสิกทั่วไปหายใจไม่ออก ประเภทของโครงข่ายประสาทเทียมแบบควอนตัมที่การวิจัยใน Los Alamos ได้รับการพิสูจน์ว่าแข็งแกร่ง คาดว่าจะมีแอปพลิเคชันที่เป็นประโยชน์ในการวิเคราะห์ข้อมูลจากการจำลองควอนตัม

"การเรียนรู้ของเครื่องควอนตัมยังเด็กอยู่" โคลส์กล่าว "มีคำพูดที่มีชื่อเสียงเกี่ยวกับเลเซอร์ เมื่อพวกมันถูกค้นพบครั้งแรก บอกว่ามันเป็นวิธีแก้ปัญหาในการค้นหาปัญหา ตอนนี้เลเซอร์ถูกใช้ทุกที่ ในทำนองเดียวกัน พวกเราหลายคนสงสัยว่าข้อมูลควอนตัมจะพร้อมใช้งานสูง จากนั้นจึงควอนตัม การเรียนรู้ของเครื่องจะเริ่มต้นขึ้น"

ตัวอย่างเช่น การวิจัยมุ่งเน้นไปที่วัสดุเซรามิกในฐานะตัวนำยิ่งยวดที่อุณหภูมิสูง โคลส์กล่าว ซึ่งสามารถปรับปรุงการขนส่งที่ไร้แรงเสียดทาน เช่น รถไฟลอยด้วยแม่เหล็ก แต่การวิเคราะห์ข้อมูลเกี่ยวกับเฟสจำนวนมากของวัสดุ ซึ่งได้รับอิทธิพลจากอุณหภูมิ ความดัน และสิ่งเจือปนในวัสดุเหล่านี้ และการจำแนกเฟสเป็นงานใหญ่ที่นอกเหนือไปจากความสามารถของคอมพิวเตอร์แบบคลาสสิก

การใช้โครงข่ายประสาทควอนตัมที่ปรับขนาดได้ คอมพิวเตอร์ควอนตัมสามารถลอดผ่านชุดข้อมูลขนาดใหญ่เกี่ยวกับสถานะต่างๆ ของวัสดุที่กำหนด และเชื่อมโยงสถานะเหล่านั้นกับเฟสเพื่อระบุสถานะที่เหมาะสมที่สุดสำหรับตัวนำยิ่งยวดที่อุณหภูมิสูง