Learning to Program Adaptive Non-Local Observables for Machine Learning
Das Papier stellt QFWP-ANO vor, eine neuartige Quanten-neuronale Netzwerkarchitektur, die ein klassisches Hypernetzwerk nutzt, um adaptive nicht-lokale Observablen basierend auf Eingangsdaten dynamisch zu programmieren und dadurch bestehende statische ANO-basierte Modelle bei Aufgaben der multivariaten Zeitreihenprognose und des bestärkenden Lernens übertrifft.
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
Im Bereich des modernen Computings eröffnet sich eine neue Grenze, an der die seltsamen Regeln der Quantenphysik auf die praktischen Bedürfnisse der künstlichen Intelligenz treffen. Seit Jahrzehnten wissen Wissenschaftler, dass Quantensysteme – Maschinen, die das Verhalten von subatomaren Teilchen nutzen – theoretisch Informationen auf eine Weise verarbeiten können, die klassische Computer nicht bewältigen können. Diese Systeme beruhen auf Phänomenen wie der Superposition, bei der ein Teilchen gleichzeitig in mehreren Zuständen existieren kann, und der Verschränkung, bei der Teilchen so miteinander verbunden sind, dass der Zustand des einen den anderen augenblicklich beeinflusst, ungeachtet der Entfernung zwischen ihnen. Forscher versuchen nun, „Quanten-neuronale Netze“ zu bauen, bei denen es sich im Wesentlichen um Quantenversionen der gehirnähnlichen Computerprogramme handelt, die heute die künstliche Intelligenz antreiben. Es bleibt jedoch eine bedeutende Hürde bestehen: Aktuelle Quantenmaschinen sind dadurch begrenzt, wie sie ihre eigenen Ergebnisse auslesen. Sie messen typischerweise nur kleine, isolierte Teile des Systems zur gleichen Zeit und übersehen dabei die komplexen, miteinander vernetzten Muster, die in der gesamten Maschine existieren. Diese Einschränkung ist vergleichbar mit dem Versuch, eine Sinfonie zu verstehen, indem man nur ein Instrument nach dem anderen hört; man hört die Noten, aber man verpasst die Harmonie.
Um dies zu lösen, hat ein Forscherteam eine neue Methode entwickelt, die es diesen Quantencomputern ermöglicht, das Gesamtbild dynamisch zu betrachten. In einer kürzlich veröffentlichten Studie führten sie ein System namens QFWP-ANO ein, was für ein Quantennetzwerk steht, das lernt, seine eigenen Messungen basierend auf den spezifischen Daten, die es verarbeitet, zu programmieren. Traditionelle Quantenmodelle verwenden eine feste Art, ihren Output zu messen, was bedeutet, dass sie dem Datensatz jedes Mal dieselbe Frage stellen, unabhängig davon, worum es sich bei diesen Daten handelt. Der neue Ansatz nutzt jedoch ein Standard-Computerprogramm, das als „Dirigent“ fungiert. Dieser Dirigent betrachtet die eingehenden Daten und passt sowohl die internen Einstellungen der Quantenmaschine als auch die Art und Weise, wie sie das Endergebnis misst, augenblicklich an. Anstatt ein statisches Lineal zu verwenden, um jedes Objekt zu messen, erstellt das System für jedes spezifische Objekt, das es trifft, ein maßgeschneidertes Lineal, wodurch sichergestellt wird, dass die Messung die relevantesten Details erfasst.
Die Forscher testeten diese Idee bei zwei sehr unterschiedlichen Arten von Herausforderungen: der Vorhersage zukünftiger Trends in komplexen Datenströmen und dem Erlernen der Navigation durch ein Labyrinth durch einen virtuellen Agenten. In der ersten Versuchsreihe nutzten sie das System, um den Stromverbrauch und Temperaturdaten aus realen Stromnetzen vorherzusagen. Sie verglichen ihre neue Methode mit mehreren bestehenden Modellen, einschließlich anderer fortschrittlicher Quantenansätze und starker traditioneller Computerprogramme. Die Ergebnisse waren beeindruckend. In zwanzig verschiedenen Testszenarien mit vier unterschiedlichen Datensätzen erreichte das neue System in sechzehn von ihnen die niedrigste Fehlerrate und belegte in den verbleibenden vier den zweiten Platz. Es übertraf konsequent die bisher besten Quantenmethoden, insbesondere wenn die Aufgabe erforderte, weit in die Zukunft zu blicken. Die Daten zeigten, dass die Fähigkeit, die Messstrategie basierend auf dem Input zu ändern, der entscheidende Faktor war; lediglich die internen Einstellungen der Quantenmaschine anzupassen, ohne die Art und Weise zu ändern, wie sie den Output misst, reichte nicht aus, um das gleiche Maß an Genauigkeit zu erreichen.
Der zweite Satz von Tests fand in simulierten Umgebungen statt, in denen ein digitaler Agent lernen musste, Aufgaben auszuführen, wie etwa einen Roboterarm auf ein Ziel schwingen oder durch ein Gitter navigieren, um ein Ziel zu finden. Hier war das Ziel zu sehen, wie schnell der Agent lernen konnte, erfolgreich zu sein. Das neue System erwies sich erneut als überlegen und übertraf konsequent die älteren Quantenmodelle. Noch wichtiger war, dass die Forscher fanden, dass das System schneller lernt. In einer spezifischen Aufgabe erreichte die neue Methode ihre Spitzenleistung viel früher im Trainingsprozess als die Standardmodelle. Dies deutet darauf hin, dass das System, indem es die Quantenmaschine erlaubt, sein Messwerkzeug an die spezifische Situation anzupassen, aus weniger Beispielen lernen kann, was den Trainingsprozess effizienter macht. Die Studie untersuchte auch, wie die Komplexität der Messung die Leistung beeinflusst. Sie fanden heraus, dass es einen optimalen Punkt gibt: Das gleichzeitige Messen einer moderaten Anzahl verbundener Teile funktionierte am besten, während der Versuch, zu viele oder zu wenige Teile zu messen, zu schlechteren Ergebnissen führte.
Die Arbeit zeigt, dass die Art und Weise, wie ein Quantencomputer seinen eigenen Zustand beobachtet, genauso wichtig ist wie die Berechnungen, die er durchführt. Durch die Abkehr von festen Einheitslösungen bei den Messungen hin zu einem flexiblen, inputgesteuerten Ansatz haben die Forscher einen klaren Weg zu leistungsfähigeren Quantenlernmodellen aufgezeigt. Die Ergebnisse deuten darauf hin, dass die Zukunft der Quanten-KI nicht nur im Bau größerer Maschinen liegen könnte, sondern darin, sie zu lehren, die Welt auf eine Weise zu betrachten, die sich mit dem Moment verändert. Diese Anpassungsfähigkeit ermöglicht es dem System, die subtilen, nicht-lokalen Verbindungen zwischen verschiedenen Teilen der Daten zu erfassen – Verbindungen, die für Standard-Quantenmodelle zuvor unsichtbar waren. Wenn diese Techniken ausreifen, könnten sie den Weg ebnen, damit Quantencomputer die komplexesten Vorhersage- und Entscheidungsprobleme bewältigen, die derzeit selbst unsere fortschrittlichsten klassischen Supercomputer überfordern.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.