Людмила Чмуневич
Редактор раздела "Туризм"

Работа была опубликована в журнале Physical Review A .

Квантовые компьютеры используют квантово-механические эффекты для хранения и управления информацией. Хотя квантовые эффекты часто утверждают, что они противоречат интуитивному принципу, такие эффекты позволят квантово-расширенным вычислениям значительно превзойти лучшие суперкомпьютеры. В 2019 году мир увидел прототип этого, продемонстрированный Google, как квантовое вычислительное превосходство.

Квантовые алгоритмы были разработаны для расширения спектра различных вычислительных задач; в последнее время это стало включать в себя квантовое расширенное машинное обучение. Квантово-машинное обучение было частично впервые проведено в лаборатории Сколтеха по обработке квантовой информации под руководством Якоба Бьямонте, соавтора этой статьи. «Методы машинного обучения стали мощными инструментами для поиска шаблонов в данных. Квантовые системы создают нетипичные шаблоны, которые, как считается, классические системы не производят эффективно, поэтому неудивительно, что квантовые компьютеры могут превзойти классические компьютеры в задачах машинного обучения», - говорит он.

Стандартный подход к квантовому расширенному машинному обучению заключался в применении квантовых алгоритмов к классическим данным. Другими словами, классические данные (представленные битовыми строками 1 и 0) должны быть сохранены или иным образом представлены квантовым процессором, прежде чем квантовые эффекты могут быть использованы. Это называется проблемой чтения данных. Чтение данных служит для ограничения ускорения, которое возможно при использовании квантовых алгоритмов машинного обучения.

Команда исследователей Сколтеха объединила квантовое улучшенное машинное обучение с квантовым улучшенным моделированием, применяя их подход к изучению фазовых переходов в квантовых магнитных задачах многих тел. При этом они обучают квантовые нейронные сети, используя в качестве данных только квантовые состояния. Другими словами, авторы обходят проблему чтения данных, подавая квантово-механические состояния вещества. Такие состояния, как правило, требуют невозможного количества памяти для представления с использованием стандартных (не квантовых) подходов.

Ведущий автор исследования, аспирант Сколтех Алексей Уваров, описывает это исследование как «шаг к пониманию силы квантовых устройств для машинного обучения». Исследователи объединили ряд методов, которые включали применение некоторых идей из тензорных сетей и теории запутанности при анализе их подхода.

В работе используется подпрограмма, известная как вариационный квантовый собственный алгоритм (VQE) - алгоритм, который итеративно находит приближение к основному состоянию данного квантового гамильтониана. Выход этой подпрограммы представляет собой набор инструкций для подготовки квантового состояния на квантовом компьютере.

Однако для явной записи состояния, как правило, требуется экспоненциальный объем памяти, поэтому свойства такого состояния лучше всего изучить, подготовив его аппаратно. Алгоритм обучения, приведенный в статье, имеет дело со следующей проблемой: учитывая состояние VQE, решающее проблему основного состояния для квантовой спиновой модели, выяснить, к какой из двух фаз вещества принадлежит это состояние.

 

Актуальные новости

  • Сутки
  • Неделя
  • Месяц