Skoltech -forskare har visat att kvantförbättrat maskininlärning kan användas på kvantdata (i motsats till klassisk) data, övervinna en betydande nedgång som är gemensam för dessa applikationer och öppna en "fruktbar mark för att utveckla beräkningsinsikter i kvantsystem." Tidningen publicerades i tidningen Fysisk granskning A .

Kvantdatorer använder kvantmekaniska effekter för att lagra och manipulera information. Även om kvanteffekter ofta påstås vara kontraintuitiva, sådana effekter kommer att göra det möjligt för kvantförbättrade beräkningar att dramatiskt överträffa de bästa superdatorer. Under 2019, världen såg en prototyp av detta demonstrerad av Google som kvantberäkningsöverlägsenhet.

Kvantalgoritmer har utvecklats för att förbättra en rad olika beräkningsuppgifter; på senare tid har detta vuxit till att omfatta kvantförbättrad maskininlärning. Kvantmaskininlärning var delvis banbrytande av Skoltechs invånarbaserade Laboratory for Quantum Information Processing, ledd av Jacob Biamonte, en coator av detta papper. "Machine learning-tekniker har blivit kraftfulla verktyg för att hitta mönster i data. Kvantsystem producerar atypiska mönster som klassiska system inte tros producera effektivt, så det är inte förvånande att kvantdatorer kan överträffa klassiska datorer när det gäller maskininlärning, " han säger.

Standardmetoden för kvantförbättrad maskininlärning har varit att tillämpa kvantalgoritmer på klassisk data. Med andra ord, klassiska data (representerade av bitsträngar av 1:or och 0:or) måste lagras eller på annat sätt representeras av en kvantprocessor innan kvanteffekter kan användas. Detta kallas datainläsningsproblemet. Datainläsning tjänar till att begränsa hastigheten som är möjlig med hjälp av kvantförbättrade maskininlärningsalgoritmer.

Ett team av Skoltech-forskare har slagit samman kvantförbättrad maskininlärning med kvantförbättrad simulering, tillämpa deras tillvägagångssätt för att studera fasövergångar i kvantmagnetiska problem med många kroppar. Genom att göra så, de tränar kvantneurala nätverk med endast kvanttillstånd som data. Med andra ord, författarna kringgår datainläsningsproblemet genom att mata in kvantmekaniska tillstånd av materia. Sådana tillstånd tycks i allmänhet kräva en omöjlig mängd minne att representera med standardmetoder (icke-kvantum).

Huvudförfattaren till studien, Skoltech-doktorand Alexey Uvarov beskriver studien som "ett steg mot att förstå kraften hos kvantenheter för maskininlärning." Forskare slog samman ett sortiment av tekniker, som inkluderade att tillämpa några idéer från tensornätverk och entanglement teori i analysen av deras tillvägagångssätt.

Verket använder en subrutin känd som variationskvantegenlösaren (VQE) - en algoritm som iterativt hittar en approximation till grundtillståndet för en given kvanthamiltonian. Utmatningen av denna subrutin är en uppsättning instruktioner för att förbereda ett kvanttillstånd på en kvantdator.

Att skriva ner staten uttryckligen, fastän, kräver vanligtvis en exponentiell mängd minne, därför undersöks egenskaperna hos ett sådant tillstånd bäst genom att förbereda det i hårdvara. Inlärningsalgoritmen i artikeln behandlar följande problem:givet ett VQE-tillstånd som löser grundtillståndsproblemet för en kvantspinnmodell, ta reda på vilken av de två faserna av materien det tillståndet tillhör.

"Medan vi har fokuserat våra tillvägagångssätt på problem från den kondenserade materiens fysik, sådana kvantförbättrade algoritmer gäller lika mycket för utmaningar inom materialvetenskap och upptäckt av läkemedel, " konstaterar Biamonte.