Pulsed learning for quantum data re-uploading models
Dieses Paper schlägt eine pulsbasierte Variante des Data-Re-Uploading für Quanten-Maschinelles-Lernen vor, die trainierbare Parameter direkt in die Systemdynamik einbettet und eine überlegene Genauigkeit, Generalisierung sowie Rauschresistenz im Vergleich zu traditionellen gatterbasierten Modellen auf simulierter supraleitender Hardware demonstriert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, Muster zu erkennen, wie zum Beispiel den Unterschied zwischen einer Katze und einem Hund zu erkennen. In der Welt des Quantencomputings nennt man das Quanten-Maschinelles Lernen (QML). Lange Zeit haben Wissenschaftler versucht, dies zu tun, indem sie Schaltkreise aus „Gates“ (Logikgattern) bauen, die wie starre, vorgefertigte Lego-Steine sind. Man schnappt sie zusammen, um eine lernende Maschine zu bauen. Aber es gibt ein Problem: Die Quantencomputer, die wir heute haben, sind verrauscht und zerbrechlich, wie ein Kartenhaus in einem Sturm. Wenn man zu viele dieser starren Lego-Steine übereinanderstapelt, bringt das Rauschen alles durcheinander, und der Roboter vergisst, was er eigentlich lernen sollte.
Kürzlich haben Forscher erkannt, dass wir vielleicht gar nicht mit Lego-Steinen bauen sollten. Anstatt vorgefertigte Blöcke zusammenzuschnappen, stellt sich die Frage: Was wäre, wenn wir direkt die Muttersprache des Computers sprechen könnten? Denken Sie an Folgendes: Anstatt einem Musiker vorzugeben, eine bestimmte Note von einem Notenblatt zu spielen (ein Gate), geben Sie ihm einen kontinuierlichen Strom von Anweisungen darüber, wie genau er seine Finger bewegen soll, wie fest er die Tasten drücken soll und wie lange er den Ton halten soll (ein Puls). Dieser Ansatz, genannt „Pulssteuerung“, ermöglicht es, den Klang der Musik in Echtzeit zu formen, anstatt nur voraufgenommene Clips zu stapeln. Die große Frage ist: Wenn wir aufhören, mit den starren Lego-Steinen zu bauen, und statfangen, mit den rohen Schallwellen zu formen, können wir dann einen klügeren, robusteren Roboter bauen, der nicht auseinanderfällt, wenn der Wind weht?
Dieses Paper untersucht genau diese Idee. Die Autoren, ein Team von Forschern aus Spanien, beschlossen, eine populäre Methode des Quantenlernens namens „Data Re-uploading“ (Daten-Wiederhochladen) von Grund auf neu zu entwickeln, indem sie diese mit diesen rohen Pulsen anstelle von Standard-Gates aufbauen. In ihrem „Data Re-uploading“-Modell wird dem Computer dieselbe Information immer und immer wieder zugeführt, Schicht für Schicht, um ihm zu helfen, das Muster besser zu verstehen. Normalerweise geschieht dies durch das Stapeln von Gatterschichten. Hier jedoch ersetzten die Autoren jedes einzelne Gate durch einen maßgeschneiderten Mikrowellenpuls, das eigentliche Signal, das mit der Hardware des Quantencomputers kommuniziert.
Sie testeten dieses neue „puls-native“ Modell an einer simulierten Version eines echten Quantencomputers (speziell einem, der supraleitende Transmon-Qubits verwendet, die wie winzige, supergekühlte Schaltkreise funktionieren). Sie stellten ihren neuen pulsbasierten Roboter dem alten gatebasierten Roboter gegenüber, indem sie ihn mit vier verschiedenen Rätseln konfrontierten: der Unterscheidung zwischen den Zahlen 0 und 8, dem Sortieren von Blumenarten und dem Lösen einiger kniffliger geometrischer Formen.
Die Ergebnisse waren sehr vielversprechend. In diesen Simulationen erwies sich das pulsbasierte Modell als ein wesentlich besserer Schüler. Erstens lernte es schneller und benötigte weniger Schichten, um die Aufgabe zu bewältigen. Während das alte gatebasierte Modell anfing, „übermäßig nachzudenken“ und die Trainingsdaten auswendig zu lernen (ein Problem, das Overfitting oder Überanpassung genannt wird), wenn die Rätsel tiefer wurden, blieb das Puls-Modell fokussiert und konnte besser auf neue Daten generalisieren. Zweitens war das pulsbasierte Modell – und das ist am wichtigsten – unglaublich belastbar. Als die Forscher das „Rauschen“ aufdrehten, um eine sehr unordentliche, fehleranfällige Umgebung zu simulieren, gab der gatebasierte Roboter schnell auf und begann zu raten. Der pulsbasierte Robot hingegen bewahrte die Ruhe und behielt selbst dann eine nützliche Genauigkeit bei, als das Rauschen stark genug war, um das andere Modell zu brechen.
Die Autoren legen nahe, dass dies geschieht, weil das Sprechen der Muttersprache des Computers einen effizienteren und robusteren Weg der Informationsverarbeitung ermöglicht. Indem sie die starren Schritte der Standard-Gates vermeiden, kann das Puls-Modell die verrauschte Quantenwelt reibungsloser navigieren. Obwohl diese Ergebnisse derzeit auf Simulationen und auf Zwei-Qubit-Systeme beschränkt sind (aufgrund des enormen Rechenaufwands, der für diese komplexen Pulse nötig ist), deuten die Ergebnisse auf eine Zukunft hin, in der Quanten-Maschinelles Lernen viel besser funktionieren könnte, wenn wir aufhören, Quantencomputer wie Standardcomputer zu behandeln, und anfangen, sie wie die einzigartigen, wellenbasierten Maschinen zu behandeln, die sie tatsächlich sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.