As redes neurais convolucionais em execução em computadores quânticos geraram um burburinho significativo por seu potencial de analisar dados quânticos melhor do que os computadores clássicos. Embora um problema de capacidade de resolução fundamental conhecido como “planaltos estéreis” tenha limitado a aplicação dessas redes neurais para grandes conjuntos de dados, uma nova pesquisa supera esse calcanhar de Aquiles com uma prova rigorosa que garante escalabilidade.
“A maneira como você constrói uma rede neural quântica pode levar a um platô estéril – ou não”, disse Marco Cerezo, co-autor do artigo intitulado “Ausência de platôs estéreis em redes neurais convolucionais quânticas”, publicado hoje por um jornal nacional de Los Alamos Equipe de laboratório em Physical Review X. Cerezo é um físico especializado em computação quântica, aprendizado de máquina quântica e informação quântica em Los Alamos. “Comprovamos a ausência de platôs estéreis para um tipo especial de rede neural quântica. Nosso trabalho fornece garantias de treinabilidade para essa arquitetura, o que significa que se pode treinar genericamente seus parâmetros”.
Como uma metodologia de inteligência artificial (IA), as redes neurais convolucionais quânticas são inspiradas no córtex visual. Como tal, eles envolvem uma série de camadas convolucionais, ou filtros, intercaladas com camadas de pool que reduzem a dimensão dos dados enquanto mantêm características importantes de um conjunto de dados.
Essas redes neurais podem ser usadas para resolver uma série de problemas, desde o reconhecimento de imagens até a descoberta de materiais. Superar platôs estéreis é a chave para extrair todo o potencial dos computadores quânticos em aplicações de IA e demonstrar sua superioridade sobre os computadores clássicos.
Até agora, disse Cerezo, os pesquisadores em aprendizado de máquina quântica analisaram como mitigar os efeitos dos planaltos estéreis, mas careciam de uma base teórica para evitá-lo completamente. O trabalho de Los Alamos mostra como algumas redes neurais quânticas são, de fato, imunes a planaltos áridos.
“Com esta garantia em mãos, os pesquisadores agora serão capazes de peneirar dados de computador quântico sobre sistemas quânticos e usar essas informações para estudar propriedades de materiais ou descobrir novos materiais, entre outras aplicações”, disse Patrick Coles, físico quântico de Los Alamos e co-autor do artigo.
Muitos mais aplicativos para algoritmos de IA quântica surgirão, pensa Coles, à medida que os pesquisadores usam computadores quânticos de curto prazo com mais frequência e geram mais e mais dados – todos os programas de aprendizado de máquina são famintos por dados.
Evitando o gradiente de desaparecimento
“Toda esperança de aceleração quântica ou vantagem é perdida se você tiver um planalto estéril”, disse Cerezo.
O ponto crucial do problema é um “gradiente de desaparecimento” no cenário de otimização. A paisagem é composta por morros e vales, e o objetivo é treinar os parâmetros da maquete para encontrar a solução explorando a geografia da paisagem. A solução geralmente está no fundo do vale mais baixo, por assim dizer. Mas em uma paisagem plana não se pode treinar os parâmetros porque é difícil determinar qual direção tomar.
Esse problema se torna particularmente relevante quando o número de recursos de dados aumenta. Na verdade, a paisagem se torna exponencialmente plana com o tamanho do recurso. Portanto, na presença de um platô árido, a rede neural quântica não pode ser ampliada.
A equipe de Los Alamos desenvolveu uma nova abordagem gráfica para analisar a escala dentro de uma rede neural quântica e provar sua treinabilidade.
Por mais de 40 anos, os físicos pensaram que os computadores quânticos seriam úteis na simulação e compreensão de sistemas quânticos de partículas, que sufocam os computadores clássicos convencionais. O tipo de rede neural convolucional quântica que a pesquisa de Los Alamos provou ser robusta deve ter aplicações úteis na análise de dados de simulações quânticas.
“O campo do aprendizado de máquina quântica ainda é jovem”, disse Coles. “Há uma frase famosa sobre lasers, quando foram descobertos pela primeira vez, que dizia que eles eram uma solução em busca de um problema. Agora os lasers são usados em todos os lugares. Da mesma forma, vários de nós suspeitam que os dados quânticos ficarão altamente disponíveis, e depois os quânticos o aprendizado de máquina vai decolar.”
Por exemplo, a pesquisa está se concentrando em materiais cerâmicos como supercondutores de alta temperatura, disse Coles, o que poderia melhorar o transporte sem atrito, como trens de levitação magnética. Mas analisar dados sobre o grande número de fases do material, que são influenciadas pela temperatura, pressão e impurezas nesses materiais, e classificar as fases é uma tarefa enorme que vai além das capacidades dos computadores clássicos.
Usando uma rede neural quântica escalável, um computador quântico poderia vasculhar um vasto conjunto de dados sobre os vários estados de um determinado material e correlacionar esses estados com fases para identificar o estado ideal para supercondutores de alta temperatura.
Publicado em 25/10/2021 11h46
Artigo original: