Le reti neurali convoluzionali in esecuzione su computer quantistici hanno generato un ronzio significativo per il loro potenziale di analizzare i dati quantistici meglio di quanto possano fare i computer classici. Mentre un problema fondamentale di solvibilità noto come "plateau sterili" ha limitato l'applicazione di queste reti neurali per grandi set di dati, una nuova ricerca supera quel tallone d'Achille con una prova rigorosa che garantisce la scalabilità.
Marco Cerezo, coautore dell'articolo intitolato "Assenza di plateau sterili nelle reti neurali convoluzionali quantistiche", pubblicato di recente da un team del Los Alamos National Laboratory in Physical Review X, è un fisico specializzato in calcolo quantistico, apprendimento automatico quantistico e informazione quantistica a Los Alamos.
Come metodologia di intelligenza artificiale (AI), le reti neurali convoluzionali quantistiche sono ispirate alla corteccia visiva. In quanto tali, coinvolgono una serie di livelli convoluzionali, o filtri, interlacciati con livelli di pooling che riducono la dimensione dei dati mantenendo le caratteristiche importanti di un set di dati.
Queste reti neurali possono essere utilizzate per risolvere una serie di problemi, dal riconoscimento delle immagini alla scoperta dei materiali. Superare gli altipiani sterili è la chiave per estrarre il pieno potenziale dei computer quantistici nelle applicazioni di intelligenza artificiale e dimostrare la loro superiorità rispetto ai computer classici.
Fino ad ora, ha spiegato Cerezo, i ricercatori, nell'apprendimento automatico quantistico, hanno analizzato come mitigare gli effetti degli altipiani sterili, ma mancavano di una base teorica per evitarlo del tutto. Il lavoro di Los Alamos mostra come alcune reti neurali quantistiche siano, di fatto, immuni agli altipiani sterili.
"Con questa garanzia in mano, i ricercatori saranno ora in grado di setacciare i dati dei computer quantistici e utilizzare tali informazioni per studiare le proprietà dei materiali o scoprire nuovi materiali, tra le altre applicazioni", ha affermato Patrick Coles, fisico quantistico a Los Alamos e coautore dell'articolo.
Il nocciolo del problema è un "gradiente che svanisce" nel panorama dell'ottimizzazione. Il paesaggio è composto da colline e valli, e l'obiettivo è quello di addestrare i parametri del modello a trovare la soluzione esplorando la geografia del paesaggio. La soluzione di solito si trova in fondo alla valle più bassa, per così dire. Ma in un paesaggio pianeggiante non si possono allenare i parametri perché è difficile determinare quale direzione prendere.
Questo problema diventa particolarmente rilevante quando aumenta il numero di funzionalità di dati. In effetti, il paesaggio diventa esponenzialmente piatto con le dimensioni. Quindi, in presenza di un plateau sterile, la rete neurale quantistica non può essere scalata. Il team di Los Alamos ha sviluppato un nuovo approccio grafico per analizzare il ridimensionamento all'interno di una rete neurale quantistica e dimostrarne l'addestrabilità.
"Il campo dell'apprendimento automatico quantistico è ancora giovane", ha affermato Coles. "C'è una famosa citazione sui laser, quando sono stati scoperti per la prima volta, che diceva che erano una soluzione alla ricerca di un problema. Ora i laser sono usati ovunque. Allo stesso modo, molti di noi sospettano che i dati quantistici diventeranno altamente disponibili e quindi l'apprendimento automatico quantistico decollerà".
Ad esempio, la ricerca si sta concentrando sui materiali ceramici come superconduttori ad alta temperatura, ha spiegato Coles, che potrebbero migliorare il trasporto senza attrito, come i treni a levitazione magnetica. Ma analizzare i dati sul gran numero di fasi del materiale, che sono influenzate da temperatura, pressione e impurità in questi materiali, e classificare le fasi è un compito enorme che va oltre le capacità dei computer classici. Utilizzando una rete neurale quantistica scalabile, un computer quantistico potrebbe setacciare un vasto set di dati sui vari stati di un dato materiale e correlare tali stati con fasi per identificare lo stato ottimale per i superconduttori ad alta temperatura.