Learning to Program Adaptive Non-Local Observables for Machine Learning
Het artikel introduceert QFWP-ANO, een nieuwe kwantum neurale netwerkarchitectuur die een klassieke hypernetwerk gebruikt om op basis van invoergegevens adaptieve niet-lokale observabelen dynamisch te programmeren, waardoor het bestaande statische ANO-gebaseerde modellen overtreft in multivariate tijdreeksvoorspelling en reinforcement learning-taken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het domein van de moderne informatica opent zich een nieuwe grens waar de vreemde regels van de kwantumfysica de praktische behoeften van kunstmatige intelligentie ontmoeten. Decennialang hebben wetenschappers geweten dat kwantumsystemen — machines die het gedrag van subatomaire deeltjes benutten — theoretisch informatie kunnen verwerken op manieren die klassieke computers niet kunnen. Deze systemen vertrouwen op verschijnselen zoals superpositie, waarbij een deeltje zich tegelijkertijd in meerdere toestanden kan bevinden, en verstrengeling, waarbij deeltjes zo met elkaar verbonden zijn dat de toestand van het een de ander onmiddellijk beïnvloedt, ongeacht de afstand tussen hen. Onderzoekers proberen nu "kwantum neurale netwerken" te bouwen, wat in essentie kwantumversies zijn van de breinachtige computerprogramma's die de huidige kunstmatige intelligentie aandrijven. Er blijft echter een aanzienlijke hindernis bestaan: huidige kwantummachines worden beperkt door de manier waarop ze hun eigen resultaten aflezen. Ze meten doorgaans slechts kleine, geïsoleerde delen van het systeem tegelijkertijd, waardoor ze de complexe, onderling verbonden patronen missen die over de hele machine bestaan. Deze beperking is vergelijkbaar met het proberen te begrijpen van een symfonie door slechts één instrument tegelijk te beluisteren; je hoort de noten, maar je mist de harmonie.
Om dit op te lossen, heeft een team van onderzoekers een nieuwe methode ontwikkend waarmee deze kwantumcomputers het hele plaatje dynamisch kunnen bekijken. In een recente studie introduceerden zij een systeem genaamd QFWP-ANO, wat staat voor een kwantumnetwerk dat leert om zijn eigen metingen te programmeren op basis van de specifieke gegevens die het verwerkt. Traditionele kwantummodellen gebruiken een vaste manier om hun output te meten, wat betekent dat ze elke keer dezelfde vraag aan de data stellen, ongeacht wat die data is. De nieuwe aanpak gebruikt echter een standaard computerprogramma om als een "dirigent" te fungeren. Deze dirigent kijkt naar de binnenkomende gegevens en past onmiddellijk zowel de interne instellingen van de kwantummachine als de manier waarop het eindresultaat wordt gemeten aan. In plaats van een statische liniaal te gebruiken om elk object te meten, bouwt het systeem voor elk specifiek object dat het tegenkomt een op maat gemaakte liniaal, waardoor wordt gegarandeerd dat de meting de meest relevante details vastlegt.
De onderzoekers testten dit idee op twee zeer verschillende soorten uitdagingen: het voorspellen van toekomstige trends in complexe datastromen en het aanleren van een virtuele agent hoe hij door een doolhof moet navigeren. In de eerste reeks experimenten gebruikten ze het systeem om gegevens over elektriciteitsverbruik en temperatuur van echte energienetten te voorspellen. Ze vergeleken hun nieuwe methode met verschillende bestaande modellen, inclusief andere geavanceerde kwantumbenaderingen en sterke traditionele computerprogramma's. De resultaten waren opmerkelijk. In twintig verschillende testscenario's met betrekking tot vier verschillende datasets behaalde het nieuwe systeem de laagste foutmarge in zestien van de gevallen en eindigde het als tweede beste in de overige vier. Het presteerde consequent beter dan de voorheen beste kwantummethoden, vooral wanneer de taak vereiste ver in de toekomst te kijken. De gegevens toonden aan dat het vermogen om de meetstrategie op basis van de input aan te passen de cruciale factor was; het simpelweg aanpassen van de interne instellingen van de kwantummachine zonder de manier waarop de output werd gemeten te veranderen, was niet voldoende om hetzelfde niveau van nauwkeurigheid te bereiken.
De tweede reeks tests vond plaats in gesimuleerde omgevingen waar een digitale agent moest leren hoe hij taken kon uitvoeren, zoals het zwaaien met een robotarm naar een doelwit of het navigeren door een raster om een doel te vinden. Hier was het doel om te zien hoe snel de agent kon leren om te slagen. Het nieuwe systeem bleek opnieuw superieur en presteerde consequent beter dan de oudere kwantummodellen. Belangrijker nog, de onderzoekers ontdekten dat het systeem sneller leerde. In een specifieke taak bereikte de nieuwe methode zijn piekprestaties veel eerder in het trainingsproces dan de standaardmodellen. Dit suggereert dat door de kwantummachine toe te staan zijn meetinstrument aan de specifieke situatie aan te passen, deze kan leren van minder voorbeelden, wat het trainingsproces efficiënter maakt. De studie onderzocht ook hoe de complexiteit van de meting de prestaties beïnvloedde. Ze ontdekten dat er een "sweet spot" is: het meten van een gematigd aantal verbonden delen tegelijkertijd werkte het best, terwijl het proberen te meten van te veel of te weinig tot slechtere resultaten leidde.
Het werk demonstreert dat de manier waarop een kwantumcomputer zijn eigen toestand observeert even belangrijk is als de berekeningen die het uitvoert. Door af te stappen van vaste, universele metingen en over te gaan naar een flexibele, op input gebaseerde aanpak, hebben de onderzoekers een duidelijk pad getoond naar krachtigere kwantumleer-modellen. De bevindingen wijzen erop dat de toekomst van kwantum-kunstmatige intelligentie misschien niet alleen ligt in het bouwen van grotere machines, maar in het leren hoe ze de wereld op een manier kunnen bekijken die verandert met het moment. Deze aanpasbaarheid stelt het systeem in staat om de subtiele, niet-lokale verbindingen tussen verschillende delen van de data te vangen, verbindingen die voorheen onzichtbaar waren voor standaard kwantummodellen. Naarmate deze technieken volwassen worden, zouden ze de weg kunnen vrijmaken voor kwantumcomputers om de meest complexe voorspellings- en besluitvormingsproblemen aan te pakken die momenteel zelfs onze meest geavanceerde klassieke supercomputers overstijgen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.