Sieci neuronowe łączą siły z obliczeniami kwantowymi
Inspirowane strukturą neuronową mózgu klasyczne sieci neuronowe są modelami obliczeniowymi mającymi na celu rozpoznawanie wzorców i uczenie się funkcji przy użyciu połączonych ze sobą warstw sztucznych neuronów. Obecnie są one wykorzystywane z imponującymi wynikami w tak różnorodnych zadaniach, jak rozpoznawanie i klasyfikacja obrazów i mowy, uczenie maszynowe i analiza dużych zbiorów danych. Rozwój klasycznych sieci neuronowych odbywał się równolegle z ewolucją obliczeń kwantowych, czyli zaawansowanym paradygmatem obliczeniowym, który wykorzystuje mechanikę kwantową do przetwarzania informacji za pomocą kubitów zamiast klasycznych bitów. Chociaż obie technologie były w dużej mierze opracowywane niezależnie, naukowcy szybko zidentyfikowali potencjalne synergie między nimi. „Z zamiarem połączenia ogromnych możliwości równoległego przetwarzania informacji przez sieci neuronowe z przyspieszeniem obliczeniowym obiecanym przez obliczenia kwantowe podejmowanych jest szereg wysiłków w celu opracowania kwantowo-mechanicznych uogólnień sieci neuronowych”, mówi Markus Müller, profesor w Jülich Research Centre(odnośnik otworzy się w nowym oknie). Jednym z takich działań jest projekt QNets, który został sfinansowany przez Europejską Radę ds. Badań Naukowych(odnośnik otworzy się w nowym oknie). Projekt miał na celu zbadanie potencjału kwantowych sieci neuronowych jako alternatywnej ścieżki do skalowalnego kwantowego przetwarzania informacji. „Z jednej strony chcieliśmy koncepcyjnie zrozumieć, jakie kwantowe architektury neuronowe można sformułować i jakie korzyści mogą one przynieś kwantowemu przetwarzaniu informacji”, dodaje Müller, który pełnił rolę koordynatora projektu. „Z drugiej zaś staraliśmy się zidentyfikować fizyczne elementy składowe do praktycznego wdrożenia sieci neuronowych w najnowocześniejszych kwantowych platformach technologicznych”.
Rozwój skalowalnego kwantowego przetwarzania informacji
Projekt przyniósł liczne rezultaty, z których każdy znacząco rozwinął dziedzinę skalowalnego kwantowego przetwarzania informacji. Na przykład formalizm służący ocenie maksymalnej pojemności sieci kwantowych pozwala określić maksymalną ilość informacji, które mogą być przechowywane w kwantowej sieci neuronowej o dowolnym rozmiarze. Naukowcy zbadali również kwantowe uogólnienia sieci neuronowych typu autoenkoder i kwantowych automatów komórkowych, czyli dwóch paradygmatycznych klasycznych sieci neuronowych i ram przetwarzania informacji. „Wykazaliśmy, że można sformułować kwantowe uogólnienia tych podejść w sposób znaczący i taki, który umożliwia przeszkolenie kwantowych sieci neuronowych lub staranne zaprojektowanie ich tak, aby posiadały emergentne kwantowe możliwości korekcji błędów”, wyjaśnia Müller. Innym ważnym rezultatem projektu jest opracowanie i wdrożenie nowych ram i praktycznych protokołów zarówno dla autonomicznej, wolnej od pomiarów kwantowej korekcji błędów, jak i obliczeń kwantowych w najnowocześniejszych procesorach kwantowych. „Wypełniając lukę między teorią a eksperymentem, przeprowadziliśmy pierwszą na świecie demonstrację wolnych od pomiarów, odpornych na błędy uniwersalnych obliczeń kwantowych”, zauważa Müller.
Pokazanie potencjału otwartych kwantowych sieci neuronowych
Zespół QNets pokazał potencjał otwartych kwantowych sieci neuronowych jako alternatywnej ścieżki do skalowalnego kwantowego przetwarzania informacji, dostarczając wyniki potwierdzające zasadność teorii, a także demonstrując wykonalność swoich nowych pomysłów. „Położyliśmy podwaliny pod dalsze badanie kwantowych sieci neuronowych i bezpomiarowego kwantowego przetwarzania informacji. Chętnie przekonam się, które podejścia znajdą zastosowanie w przyszłych skalowalnych komputerach kwantowych”, podsumowuje Müller.
