Scalable Quantum Machine Learning: Trainability, Expressivity and Efficiency

In de zoektocht naar het bouwen van intelligente machines hebben wetenschappers lang naar de kwantumwereld gekeken voor een voorsprong. Kwantumcomputers, die gebruikmaken van de vreemde regels van de fysica die atomen en licht beheersen, beloven bepaalde problemen veel sneller op te lossen dan welke machine dan ook die we vandaag de dag hebben. Een veelbelovende weg is quantum machine learning, waarbij deze apparaten worden getraind om patronen te herkennen of voorspellingen te doen, vergelijkbaar met de neurale netwerken die moderne kunstmatige intelligentie aandrijven. Echter, jarenlang zat dit veld in een lastige positie. Onderzoekers ontdekten dat hoewel ze complexe kwantumcircuits konden ontwerpen, ze vaak tegen een muur aanliepen waarbij het trainingsproces volledig faalde, omdat de signalen van de computer te zwak werden om het leren te sturen. Bovendien, zelfs wanneer training wel werkte, was er geen bewijs dat de kwantummachine daadwerkelijk iets deed wat een klassieke computer niet kon, of dat het dat efficiënt genoeg kon doen om nuttig te zijn. De uitdaging was het vinden van een ontwerp dat zowel gemakkelijk te trainen als krachtig genoeg is om een echt voordeel te bieden.

Een nieuwe studie door Iordanis Kerenidis biedt een oplossing voor deze patstelling door twee specifieke ontwerpen voor kwantumcircuits voor te stellen die deze hindernissen overwinnen. Het onderzoek introduceert een methode waarmee deze machines effectief getraind kunnen worden zonder hun signaal te verliezen, terwijl er tegelijkertijd wordt gewaarborgd dat de taken die ze uitvoeren zo complex zijn dat de best bekende klassieke computers moeite zouden hebben om ze te simuleren. De sleutel tot deze doorbraak ligt in een slimme arrangement van kwantumpoorten die een specifieke eigenschap van het systeem behoudt: het aantal deeltjes blijft constant gedurende het hele proces. Door deze deeltjesbehoudende structuur te combineren met een speciaal type inputtoestand, creëerden de onderzoekers een raamwerk waarin de machine efficiënt kan leren terwijl hij taken aanpakt die fundamenteel moeilijk zijn voor klassieke machines.

Het artikel richt zich op twee architecturale blauwdrukken die zijn afgestemd op verschillende typen kwantumhardware. Eén ontwerp, de "unitary brick-wall" genoemd, is gebouwd voor machines waarbij qubits in een lijn zijn gerangschikt en alleen met hun directe buren kunnen communiceren. De andere, de "unitary butterfly", is ontworpen voor machines waarbij elke qubit met elke andere qubit kan verbinden. Beide ontwerpen delen een gemeenschappelijke strategie: ze beginnen met een speciaal voorbereide toestand van deeltjes en sturen deze vervolgens door lagen van operaties. Deze operaties omvatten een type poort dat werkt als een deeltjes-straalsplitser, waardoor ze gemengd worden zonder dat er deeltjes worden gecreëerd of vernietigd, en een laag van fasepoorten die de gegevens coderen die geleerd moeten worden. Deze combinatie zorgt ervoor dat het systeem in een toestand blijft die moeilijk voor klassieke computers is om te volgen, maar toch stabiel genoeg blijft om de kwantummachine van te laten leren.

Een grote hindernis in quantum machine learning is de "barren plateau" (vruchteloos plateau), een fenomeen waarbij de signalen die worden gebruikt om het model te trainen verdwijnen naarms de het systeem groter wordt, wat leren onmogelijk maakt. De onderzoekers bewezen dat hun nieuwe ontwerpen dit probleem volledig vermijden. Ze toonden aan dat de signalen die worden gebruikt om de training te sturen sterk en duidelijk blijven, zelfs naarmate het aantal deeltjes toeneemt. Dit is een significante afwijking van eerdere ontwerpen, die vaak ontrainbaar werden naarmate ze groeiden. De studie demonstreert dat de gradiëntvariantie, een maatstaf voor hoe sterk het trainingssignaal is, op een beheersbaar niveau blijft en schaalt op een manier die de machine toestaat om efficiënt te leren, ongeacht de grootte ervan. Dit betekent dat het trainingsproces niet alleen theoretisch mogelijk, maar ook praktisch levensvatbaar is.

Om het trainingsproces nog sneller te maken, introduceert het artikel een nieuw algoritme voor het berekenen van de noodzakelijke aanpassingen aan de instellingen van de machine. Traditioneel vereist het trainen van een kwantummodel het vele malen draaien van het circuit voor elke enkele parameter die moet worden aangepast, een proces dat extreem traag wordt voor grote systemen. De nieuwe methode, de multi-layer parallel parameter-shift rule genoemd, stelt de onderzoekers in staat om alle noodzakelijke aanpassingen tegelijkertijd te berekenen. In plaats van het circuit duizenden keren te draaien, kunnen ze het een aantal keren draaien dat alleen afhangt van het aantal deeltjes, en niet van de totale omvang van de machine. Voor een machine met duizend qubits vermindert dit het aantal vereiste runs met een factor van meer dan zestien, wat grootschalige training haalbaar maakt.

De studie behandelt ook de vraag of deze kwantummachines daadwerkelijk iets bijzonders doen. De onderzoekers toonden aan dat de output van hun circuits, specifelijk de patronen van deeltjes die zij produceren, extreem moeilijk te simuleren zijn voor klassieke computers. Ze stelden een "ladder" van moeilijkheidsgraad vast op basis van het aantal deeltjes dat betrokken is. Wanneer het aantal deeltjes klein is, kunnen klassieke computers de kwantummachine gemakkelijk nabootsen. Echter, naarmate het aantal deeltjes toeneemt tot een specifieke drempelwaarde, wordt de taak om de kwantumoutput te simuleren exponentieel moeilijker. Bij het werkpunt dat de onderzoekers kozen, waarbij zestig deeltjes betrokken zijn, zouden de best bekende klassieke algoritmen meer dan een triljoen (een miljard miljard) operaties nodig hebben om een enkele output te simuleren. Dit niveau van complexiteit plaatst de taak ver buiten het bereik van huidige klassieke supercomputers, wat wijst op een echt kwantumvoordeel.

Het raamwerk is ontworpen om flexibel genoeg te zijn voor diverse machine learning-taken, van het genereren van nieuwe gegevens tot het nemen van beslissingen in complexe omgevingen. De onderzoekers leggen uit dat de kwantummachine fungeert als een sampler, die een set resultaten produceert die direct gebruikt kunnen worden of door een klassieke computer verwerkt kunnen worden. Voor taken zoals generatieve modellering, waarbij het doel is om nieuwe gegevens te creëren die lijken op echte gegevens, is het vermogen van de kwantummachine om complexe, moeilijk te simuleren patronen te produceren de kern van het voordeel. Voor reinforcement learning (versterkingsleren), waarbij een agent leert om beslissingen te nemen, kan de kwantummachine een enorme ruimte aan mogelijkheden verkennen die klassieke methoden mogelijk missen. De studie verduidelijkt dat hoewel sommige delen van de training op klassieke computers kunnen worden uitgevoerd, de uiteindelijke inzet van het model vertrouwt op het kwantumapparaat om de moeilijk te simuleren monsters te produceren die het systeem zijn kracht geven.

De onderzoekers zijn voorzichtig in het onderscheid tussen wat bewezen is en wat nog wordt verkend. Ze hebben wiskundig bewezen dat hun ontwerpen trainbaar zijn en dat ze het barren plateau-probleem vermijden. Ze hebben ook bewezen dat de kosten voor klassieke simulatie exponentieel groeien met het aantal deeltjes, gebaseerd op de best bekende algoritmen van vandaag. Ze merken echter op dat de absolute moeilijkheid van het probleem afhangt van het specifieke aantal deeltjes dat wordt gebruikt. Bij het gekozen werkpunt van zestig deeltjes is de taak moeilijk genoeg om buiten de huidige klassieke capaciteiten te liggen, maar de onderzoekers erkennen dat toekomstige verbeteringen in klassieke algoritmen deze grens kunnen verschuiven. Ze suggereren dat het systeem kan worden aangepast door het aantal deeltjes te vergroten om het voordeel te behouden.

Dit werk vormt een belangrijke stap voorwaarts in het maken van quantum machine learning tot een praktische realiteit. Door de dubbele problemen van trainbaarheid en efficiëntie op te lossen, hebben de onderzoekers een routekaart geboden voor het bouwen van kwantum neurale netwerken die daadwerkelijk gebruikt kunnen worden. De ontwerpen zijn compatibel met de hardware die vandaag de dag wordt gebouwd, en de trainingsmethoden zijn efficiënt genoeg om op nabije apparaten (near-term devices) te worden geïmplementeerd. De studie beweert niet dat deze machines elk probleem zullen oplossen of klassieke computers zullen vervangen, maar het laat zien dat ze toegang kunnen krijgen tot een klasse van functies die moeilijk te bereiken zijn voor klassieke modellen. Dit opent de deur naar nieuwe toepassingen in velden zoals de financiële sector, waar complexe risicomodellering nodig is, of in de wetenschap, waar het simuleren van kwantumsystemen cruciaal is.

Het artikel concludeert door de weg vooruit te schetsen. De volgende stap is om deze ontwerpen op echte kwanthardware te testen om te zien of ze praktische voordelen bieden bij echte taken. De onderzoekers hebben specifieke problemen geïdentificeerd, zoals portfolio-optimalisatie en generatieve modellering, waarbij het kwantumvoordeel het meest waarschijnlijk zal worden waargenomen. Ze benadrukken dat hoewel de theoretische basis solide is, de echte test zal liggen in de prestaties van deze machines op werkelijke gegevens. Het raamwerk dat zij hebben gebouwd biedt een duidelijk en schaalbaar pad naar die toekomst, en biedt een manier om de kracht van kwantummechanica te benutten voor machine learning zonder verloren te gaan in de complexiteit die het veld zo lang heeft tegengehouden.