Who can sample forever? Shot noise effects in quantum linear regression
Diese Arbeit zeigt auf, dass das Rauschen durch endliche Stichprobenentnahmen die Quanten-lineare Regression fundamental begrenzt, indem es das Problem schlecht konditioniert und dazu führt, dass Vorhersagefehler bei verrauschten Zielwerten mit größeren Datensätzen fortbestehen oder sogar zunehmen, was eine Form von Quanten-Overfitting darstellt.
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
In dem sich rasant entwickelnden Feld des Quantenmaschinellen Lernens versuchen Forscher, Computern beizubringen, Muster unter Anwendung der seltsamen Regeln der Quantenphysik zu erkennen. Ein gängiger Ansatz umfasst einen zweistufigen Prozess: Zuerst nimmt ein feststehendes Quantengerät eine Eingabe entgegen und transformiert sie in eine Menge von Zahlen, die sogenannte Merkmale (Features) genannt werden, welche die Eingabe auf eine neue Weise beschreiben. Zweitens lernt ein herkömmliches Computerprogramm, diese Merkmale zu kombinieren, um eine Vorhersage zu treffen, wie etwa die Identifizierung einer spezifischen chemischen Eigenschaft oder einer Art von Material. Diese Methode ist attraktiv, da der Quantenteil nicht trainiert werden muss, wodurch einige der schwierigsten Probleme vermieden werden, die andere Quantenalgorithmen plagen. Es gibt jedoch einen grundlegenden Haken: Das Quantengerät kann diese Merkmalszahlen nicht einfach direkt ausgeben. Stattdessen muss es den Quantenzustand viele Male messen, um die Wahrscheinlichkeiten verschiedener Ergebnisse zu schätzen. Dieser Prozess ist vergleichbar mit dem Versuch, den genauen Anteil an roten und blauen Murmeln in einem Glas zu erraten, indem man eine Handvoll herauszieht; je mehr Murmeln man herauszieht, desto näher kommt die Schätzung der Wahrheit, aber bei einer begrenzten Anzahl von Ziehungen wird die Schätzung immer einen zufälligen Fehler enthalten.
Ein Team von Physikern hat nun untersucht, wie dieser unvermeidbare Messfehler, bekannt als Schussrauschen (Shot Noise), die Fähigkeit dieser Quantenmodelle zu lernen, beeinflusst. Sie konzentrierten sich auf einen spezifischen Aufbau, bei dem das Quantengerät Merkmale aus einer Sammlung von Trainingsdaten erzeugt und ein klassischer Computer versucht, die beste mathematische Beziehung zwischen diesen Merkmalen und der gewünschten Antwort zu finden. Die Forscher entdeckten, dass allein der Akt der Schätzung dieser Merkmale mit einer endlichen Anzahl von Messungen eine verborgene Falle schafft. In einer idealen Welt mit unendlichen Messungen würden die Merkmale auf einer flachen, niedrigdimensionalen Oberfläche innerhalb eines riesigen mathematischen Raums liegen. In der realen Welt jedoch, in der die Messungen begrenzt sind, drückt das zufällige Rauschen die geschätzten Merkmale von dieser Oberfläche weg in den leeren Raum um sie herum. Wenn der Computer versucht, aus diesen verrauschten Daten zu lernen, versucht er, eine Linie an diese abweichenden Punkte anzupassen, und lernt effektiv, Richtungen vorherzusagen, die in der zugrunde liegenden Physik eigentlich gar nicht existieren.
Die Studie zeigt, dass dies eine spezifische Art von Fehler erzeugt, der sich anders verhält als Fehler in der klassischen Informatik. Beim Standardlernen gilt: Wenn man einen verrauschten Datensatz hat, hilft das Hinzufügen von mehr Beispielen normalerweise dabei, der korrekten Antwort näher zu kommen. Hier fanden die Forscher heraus, dass das bloße Hinzufügen von mehr Trainingsbeispielen das Problem nicht löst, wenn die Anzahl der Messungen pro Beispiel niedrig bleibt. Stattdessen setzt sich der Fehler auf einem hartnäckigen Boden fest, der durch die Präzision der einzelnen Messungen bestimmt wird. Der einzige Weg, diesen Boden zu senken, besteht darin, die Anzahl der Messungen zu erhöhen, die für jedes einzelne Trainingsbeispiel vorgenommen werden. Wenn die Forscher versuchten, mit zu wenigen Messungen pro Beispiel zu lernen, würde das Modell zunehmend empfindlich gegenüber dem Rauschen werden, und das Hinzufügen von mehr Daten würde die Ergebnisse tatsächlich nicht mehr verbessern.
Die Situation wird noch komplexer, wenn die Antworten, die das Modell zu lernen versucht, selbst leicht fehlerhaft sind, etwa aufgrund von Imperfektionen bei der Vorbereitung der Quantenzustände. In diesem Szenario beginnt das Modell, das Rauschen selbst zu lernen. Die Forscher beobachteten ein Phänomen, das sie Quanten-Overfitting nennen, bei dem die Erhöhung der Präzision der Trainingsdaten die Vorhersagen des Modells tatsächlich verschlechtert. Dies geschieht, weil das Modell beginnt, sich an den zufälligen Richtungen festzuklammern, die durch das Messrauschen entstehen, und während die Trainingsdaten präziser werden, verstärkt es die Fehler in den Zielantworten. Die Studie zeigt, dass es einen delikaten Kompromiss gibt: Man muss die Anzahl der Trainingsbeispiele gegen die Anzahl der für jedes eine vorgenommenen Messungen abwägen.
Durch detaillierte mathematische Analysen und Computersimulationen haben die Forscher genau kartiert, wie diese Fehler wachsen und schrumpfen. Sie zeigten, dass bei perfekten Zielantworten der Fehler anfangs schnell sinkt, wenn die Messungen zunehmen, sich dann aber verlangsamt, dominiert von einem systematischen Bias, der durch das Hinzufügen von mehr Daten nicht entfernt werden kann. Wenn die Zielantworten verrauscht sind, kann der Fehler schließlich wieder ansteigen, wenn die Trainingsmessungen zu präzise werden, ohne dass eine entsprechende Erhöhung der Präzision der Testmessungen erfolgt. Diese Arbeit bietet einen klaren Leitfaden für die Ressourcenallokation in Quantenexperimenten und zeigt, dass ein größerer Datensatz nicht immer besser ist, wenn die Qualität der einzelnen Messungen nicht ebenfalls verbessert wird. Die Ergebnisse legen nahe, dass zukünftige Quantenlernsysteme mit einem bewussten Verständnis dieser statistischen Grenzen konzipiert werden müssen, wobei die Anzahl der Messungen und die Anzahl der Beispiele als zwei Seiten derselben Medaille und nicht als unabhängige Variablen betrachtet werden sollten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.