When Quantum Meets AI: Quantum Methods for Machine Learning and Machine Learning Methods for Quantum Systems
Deze thesis onderzoekt de bidirectionele synergie tussen quantumcomputing en kunstmatige intelligentie door het ontwikkelen van quantum-verbeterde machine learning-technieken voor verbeterde classificatie op ruisgevoelige hardware en het toepassen van machine learning-methoden om quantumfoutcorrectie en neurale quantumtoestandssimulaties te optimaliseren.
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 de moderne wereld worden computers ongelooflijk goed in het herkennen van patronen, van het identificeren van gezichten in foto's tot het vertalen van talen. Deze vaardigheid komt voort uit kunstmatige intelligentie, een vakgebied waar software leert van enorme hoeveelheden data. Tegelijkertijd bouwen wetenschappers een nieuw soort computer op basis van de vreemde regels van de kwantummechanica. Deze machines gebruiken deeltjes die tegelijkertijd in meerdere toestanden kunnen bestaan, wat het potentieel biedt om problemen op te lossen die onmogelijk zijn voor de huidige supercomputers. Jarenlang hebben onderzoekers zich afgevraagd of deze twee krachtige technologieën elkaar zouden kunnen helpen. Zouden kwantumcomputers kunstmatige intelligentie sneller en slimmer kunnen maken? Omgekeerd, zou de slimme algoritmen van kunstmatige intelligentie kunnen helpen om de fragiele, foutgevoelige aard van kwantummachines te herstellen? Deze vraag staat centraal in een nieuwe stroom onderzoek dat de relatie tussen deze velden niet ziet als een eenrichtingsverkeer, maar als een tweerichtingsverkeer waarbij beide kanten instrumenten bieden om de moeilijkste problemen van de ander op te lossen.
Een recente doctoraalscriptie van de Yonsei Universiteit onderzoekt dit snijvlak door twee verschillende uitdagingen aan te pakken. Aan de ene kant vraagt het onderzoek hoe kwantumcomputers beter kunnen leren. Aan de andere kant vraagt het hoe kunstmatige intelligentie kwantumcomputers kan helpen overleven in de ruisige, chaotische omgeving waarin ze opereren. Het werk onthult dat het succes van een kwantummachine learning-model vaak minder afhangt van de complexe wiskunde binnen de computer en meer van hoe de ruwe data wordt voorbereid voordat deze de machine ingaat. Het laat ook zien dat door ideeën te lenen van moderne kunstmatige intelligentie, wetenschappers snellere en betrouwbaardere systemen kunnen bouwen om fouten in kwantumcalculaties te corrigeren, een cruciale stap naar het bouwen van een werkende kwantumcomputer.
Het eerste deel van de studie richt zich op een probleem dat ontstaat bij het proberen te leren aan een kwantumcomputer om patronen te herkennen, zoals het onderscheiden van verschillende handgeschreven cijfers. In een standaardcomputer wordt data ingevoerd als een lijst met getallen. In een kwantumcomputer moet deze data eerst worden omgezet in een kwantumtoestand, een proces dat embedding wordt genoemd. De onderzoekers ontdekten dat als deze conversie slecht wordt uitgevoerd, de kwantumcomputer gedoemd is te falen, ongeacht hoe slim het leeralgoritme is. Ze ontdekten dat de moeilijkheid van de taak wordt bepaald door hoe ver de kwantumtoestanden van verschillende categorieën van elkaar verwijderd zijn. Als de toestanden te dicht bij elkaar liggen, kan de machine ze niet van elkaar onderscheiden.
Om dit op te lossen, ontwikkelde het team een methode genaamd Neural Quantum Embedding. In plaats van een vaste, rigide regel te gebruiken om data in kwantumtoestanden om te zetten, gebruikten ze een klassiek neuraal netwerk — een type kunstmatige intelligentie — om de beste manier van conversie te leren. Deze AI fungeert als een vertaler, die de data hervormt zodat de verschillende categorieën duidelijk van elkaar gescheiden zijn wanneer ze uiteindelijk de kwantumcomputer binnengaan. In tests met echte kwantumhardware verbeterde deze aanpak de prestaties drastisch. Een systeem dat voorheen moeite had om correct te raden, met een nauwkeurigheid van slechts ongeveer 53 procent, sprong naar een nauwkeurigheid van meer dan 96 procent nadat de data was voorbewerkt door deze lerende AI. De onderzoekers toonden ook aan dat deze methode zelfs werkt op oudere soorten kwantummachines die vloeibare moleculen gebruiken in plaats van elektronische circuits, wat bewijst dat het idee robuust is over verschillende technologieën heen.
Naast het slimmer maken van de machine, keek de studie ook naar hoe goed deze kwantummodellen zouden presteren op nieuwe data die ze nog nooit eerder hadden gezien. In machine learning is een veelvoorkomende valkuil het onthouden van de trainingsdata in plaats van het leren van de onderliggende regels, wat leidt tot falen bij nieuwe taken. De onderzoekers ontdekten dat traditionele manieren om de complexiteit van een model te meten, zoals het tellen van de parameters, niet goed waren in het voorspellen van dit falen. In plaats daarvan ontdekten ze dat het kijken naar de "betrouwbaarheid" van de voorspellingen van het model een veel betere indicator was. Wanneer het kwantummodel beslissingen nam met een hoge mate van vertrouwen, had het de neiging om goed te generaliseren naar nieuwe data. Deze bevinding verbindt de fysieke scheiding van datastanden met het vermogen van het model om te leren, wat suggereert dat de manier waarop data wordt voorbereid even belangrijk is als het leeralgoritme zelf.
De tweede helft van het onderzoek draait het scenario om en vraagt hoe kunstmatige intelligentie kwantumcomputers kan helpen. Kwantummachines zijn berucht fragiel; kleine verstoringen vanuit de omgeving kunnen fouten veroorzaken die berekeningen verruineren. Om dit te repareren, gebruiken wetenschappers foutcorrectiecodes, die informatie verspreiden over vele deeltjes zodat als er één faalt, de anderen de dag kunnen redden. Deze codes genereren echter een enorme stroom aan data die in realtime gelezen en gecorrigeerd moet worden. Als het correctieproces te traag is, stapelen de fouten zich sneller op dan ze kunnen worden hersteld.
De onderzoekers pakten dit aan door een nieuw type decoder te ontwerpen, een systeem dat de foutsignalen leest en de computer vertelt hoe ze te herstellen. Ze vervingen de standaardarchitectuur die in deze decoders wordt gebruikt door een nieuwer, efficiënter ontwerp genaamd Mamba. Dit nieuwe ontwerp is veel sneller in het verwerken van lange reeksen data dan de vorige standaard. In simulaties kwam de nieuwe decoder overeen met de nauwkeurigheid van de oudere systemen, maar deed dit met aanzienlijk minder vertraging. Toen de onderzoekers rekening hielden met het feit dat de decoder zelf tijd nodig heeft om te werken, werd het snelheidsvoordeel een verschil van leven of dood. De snellere decoder stelde het kwantumsysteem in staat om een hogere foutenratio te tolereren voordat het instortte, wat effectief de drempel verhoogde voor wat mogelijk is. Dit suggereert dat naarmate kwantumcomputers groter worden, het gebruik van deze snellere, door AI gedreven decoders essentieel zal zijn om ze draaiende te houden.
Ten slotte keek de studie naar hoe men de laagste energietoestand van complexe kwantumsystemen kan vinden, een taak die essentieel is voor het begrijpen van materialen en chemie. Dit wordt vaak gedaan met een methode genaamd stochastische reconfiguratie, wat in essentie een manier is om de parameters van een neuraal netwerk aan te passen om de fout te minimaliseren. De onderzoekers realiseerden zich dat deze methode in moderne, grootschalige systemen instabiel kan zijn omdat het probeert te veel informatie te fitten op een beperkt aantal monsters. Ze toonden aan dat een specifieke wiskundige aanpassing, bekend als een diagonale verschuiving, werkt als een filter dat de ruis in de data gladstrijkt. Door een techniek te gebruiken die verschillende versies van dit filter combineert, waren ze in staat de ruis te verminderen en nauwkeurigere oplossingen te vinden dan voorheen. Dit werk biedt een duidelijker begrip van hoe men deze krachtige instrumenten kan afstemmen zodat ze niet in de war raken door de willekeur die inherent is aan kwantummetingen.
Samen schetsen deze bevindingen een beeld van een veld in snelle evolutie. Het onderzoek laat zien dat de weg naar krachtige kwantumcomputing niet uitsluitend ligt in het bouwen van betere hardware, maar in slimmere software. Door kunstmatige intelligentie te gebruiken om data voor kwantummachines voor te bereiden, en door geavanceerde leeralgoritmen te gebruiken om de fouten te beheren die die machines onvermijdelelijk maken, bouwen wetenschappers een brug tussen twee van de meest complexe velden in de wetenschap. Het werk suggereert dat de toekomst van kwantumtechnologie zal afhangen van dit partnerschap, waarbij elke discipline de instrumenten levert die de ander nodig heeft om de meest hardnekkige beperkingen te overwinnen.
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.