Figur som illustrerar arkitekturen för de kvantkonvolutionella neurala nätverken utvecklade av forskarna. Kredit:Cong, Choi och Lukin.
Maskininlärningstekniker har hittills visat sig vara mycket lovande för analys av data inom flera områden, med många potentiella tillämpningar. Dock, forskare har funnit att tillämpningen av dessa metoder på kvantfysikproblem är mycket mer utmanande på grund av den exponentiella komplexiteten hos många kroppssystem.
Kvantmångkroppssystem är i huvudsak mikroskopiska strukturer som består av flera interagerande partiklar. Medan kvantfysikstudier har fokuserat på det kollektiva beteendet hos dessa system, att använda maskininlärning i dessa undersökningar har visat sig vara mycket svårt.
Med detta i åtanke, ett team av forskare vid Harvard University utvecklade nyligen en kvantkretsbaserad algoritm inspirerad av konvolutionella neurala nätverk (CNN), en populär maskininlärningsteknik som har uppnått anmärkningsvärda resultat inom en mängd olika områden. I deras tidning, publicerad i Naturfysik , forskarna beskrev denna nya arkitektur och utvärderade dess noggrannhet i att känna igen kvanttillstånd associerade med en 1-D, symmetri-skyddad topologisk fas.
"Vårt arbete är till stor del motiverat av de senaste experimentella framstegen för att bygga kvantdatorer och utvecklingen av artificiell intelligens baserad på neurala nätverksmetoder, "Sonwon Choi, en av forskarna som genomförde studien, berättade för Phys.org. "På något vis, idén att kombinera maskininlärningstekniker och kvantdatorer/simulatorer är mycket naturlig:inom båda områdena, vi försöker extrahera meningsfull information från en stor mängd komplex data."
Som en teoretisk fysiker som undersöker kvantmångkroppssystem, Choi hade ofta undrat om det kunde finnas ett mer effektivt sätt att analysera den stora mängden komplexa data som erhållits med hjälp av kvantsimulatorer. Konstgjorda neurala nätverk fångade snart hans uppmärksamhet, eftersom de ledde till anmärkningsvärda resultat i flera andra uppgifter.
Att transformera traditionella metoder för maskininlärning så att de effektivt kan tillämpas i kvantfysik, dock, verkade vara utmanande. Den främsta anledningen till detta är att befintliga kvantsimulatorer är ganska små, sålunda kan de inte stödja en storskalig CNN och andra maskininlärningstekniker som används i konventionella datorer.
"Vi var tvungna att se till att alla viktiga funktioner i konventionella maskininlärningstekniker bibehålls samtidigt som vår nya algoritm är så kompakt som möjligt, " förklarade Choi. "Ett av syftena med detta arbete var att generalisera en specifik, välkänd maskininlärningsarkitektur kallad Convolutional Neural Network (CNN) för en kompakt kvantkrets, och demonstrera dess förmåga med förenklade men meningsfulla exempel."
I deras studie, Choi och hans kollegor antog att CNN:s har sin stora framgång att tacka två viktiga egenskaper. För det första, det faktum att de är gjorda av mindre lokala enheter (dvs. flera lager av kvasi-lokala kvantportar). För det andra, deras förmåga att bearbeta indata på ett hierarkiskt sätt. Forskarna fann ett samband mellan dessa två egenskaper och två kända fysikkoncept som kallas lokalitet och renormalisering.
Figur som illustrerar arkitekturen för de kvantkonvolutionella neurala nätverken utvecklade av forskarna. Kredit:Cong, Choi och Lukin.
"Lokaliteten är naturlig i fysiken eftersom vi tror att naturens lag är i grunden lokal, " sa Choi. "Renormalisering, å andra sidan, är ett mycket intressant koncept. Inom fysiken, vissa universella särdrag i ett kvantmångkroppssystem, såsom fasen (t.ex. flytande, gas, fast, etc.) av material inte är beroende av (eller inte är känsliga för) mikroskopiskt detaljerad information om systemet, utan snarare styrs av bara några få viktiga dolda parametrar. Renormalisering är en teoretisk teknik för att identifiera de viktiga parametrarna utgående från mikroskopisk beskrivning av ett kvantsystem. "
Forskarna observerade att renormaliseringsprocesser delar vissa likheter med mönsterigenkänningsapplikationer, särskilt de där maskininlärning används för att identifiera objekt i bilder. Till exempel, när en CNN utbildad för mönsterigenkänningsuppgifter analyserar bilder på djur, den fokuserar på en universell funktion (dvs. försöker identifiera vilket djur som porträtteras på bilden), oavsett om enskilda djur av samma typ (t.ex. katter) ser lite annorlunda ut.
Denna process påminner något om renormaliseringstekniker inom teoretisk fysik, som också kan hjälpa till att destillera universell information. I deras studie, Choi och hans kollegor försökte utveckla en arkitektur med samma nyckelegenskaper som CNN, men det skulle också vara tillämpligt på kvantfysikproblem.
"Den resulterande kvantkretsen involverar endast log(n) antal parametrar som ska optimeras för n-qubit indata, vilket är dubbel exponentiell förbättring jämfört med ett naivt tillvägagångssätt, där exp (n) antal parametrar är optimerade, " Choi förklarade. "När antalet parametrar som ska optimeras blir så litet, man kan oroa sig för att vår krets inte klarar av komplexa informationsbehandlingsuppgifter. Dock, vi har visat att trots sin ringa storlek, vårt kvant CNN är fortfarande i stånd att känna igen olika kvantfaser och utforma system för kvantfelkorrigering. "
Forskarna utvärderade tekniken de utvecklade, kallas quantum convolutional neural network (QCNN), på ett kvantfysiksspecifikt problem som involverade igenkänning av kvanttillstånd associerade med en 1-D symmetri skyddad topologisk fas. Anmärkningsvärt, deras teknik kunde känna igen dessa kvanttillstånd, överträffa befintliga metoder. Eftersom den är ganska kompakt, QCNN kan också potentiellt implementeras i små kvantdatorer.
"Från min synvinkel, det mest meningsfulla fyndet i vårt arbete är sambandet mellan välkända fysikbegrepp, renormalisering (eller mer exakt, flerskalig entanglement renormalization ansatz), och en framgångsrik informationsbehandlingsteknik inom artificiell intelligens, CNN, ", sa Choi. "Liknande kopplingar har redan föreslagits för flera år sedan, men här har vi framgångsrikt underbyggt sambandet genom att uttryckligen demonstrera det med ett rent exempel."
Choi och hans kollegor är bland de första att framgångsrikt skapa en CNN-inspirerad arkitektur som innehåller kvantfysik. Exemplen som beskrivs i deras uppsats är också enkla nog att experimentellt tillämpas på befintliga och kommande kvantenheter. Deras resultat tyder på att renormalisering kan vara en lovande teknik för kvantinformationsbearbetning och de avser därför att utforska denna idé ytterligare.
"Vi har visat att vår metod gör det möjligt att designa kvantfelskorrigeringsscheman skräddarsydda för ett givet experimentellt system, "Choi sa." Det skulle vara mycket spännande att se dess agerande i att lämna kvantdatorplattformar och förbättra deras prestanda. "
I deras framtida arbete, Choi och hans kollegor ska först försöka använda sina resultat för att utveckla nya kvantdatorer. Dessutom, de skulle vilja utföra ytterligare forskning för att undersöka förhållandet mellan CNN eller andra neurala nätverksbaserade metoder och renormaliseringstekniker.
"Medan vi har visat ett bra exempel för endimensionella kvantsystem, mer djupgående studier av sambandet i dess fulla allmänhet saknas fortfarande, " tillade Choi. "I synnerhet, Att studera sambandet i tvådimensionella kvantsystem skulle vara en spännande framtida riktning."
© 2019 Science X Network