Classical training of conditional instantaneous quantum polynomial-time Born machines

In de stille hoekjes van de natuurkunde en de informatica verkennen onderzoekers een nieuw soort kunstmatige intelligentie die leeft binnen kwantumcomputers. In tegenstelling tot de klassieke computers in onze zakken, die informatie verwerken als een eenvoudige sequentie van enen en nullen, gebruiken kwantummachines deeltjes die tegelijkertijd in veel verschillende toestanden kunnen bestaan. Dit unieke vermogen stelt hen in staat om problemen aan te pakken die gewone computers duizenden jaren zouden kosten om op te lossen. Een veelbelovende toepassing is generatieve modellering, waarbij een machine de verborgen patronen van een complex systeem leert kennen — zoals de manier waarop atomen zich in een materiaal rangschikken of hoe pixels een gezicht vormen — en vervolgens nieuwe, realistische voorbeelden van dat systeem creëert. De uitdaging is altijd het trainen van deze machines geweest. Omdat kwantumcomputers nog fragiel en duur in gebruik zijn, zoeken wetenschappers naar manieren om ze eerst met klassieke computers te onderwijzen, waarbij de kwantumhardware pas wordt bewaard voor de laatste daad van het genereren van gegevens.

Een team van onderzoekers heeft nu een methode ontwikkeld om precies dit te doen voor een specifiek type kwantummodel dat een Born-machine wordt genoemd. Deze modellen zijn ontworpen om het statistische gedrag van kwantumsystemen na te bootsen. De onderzoekers ontdekten een manier om een enkele kwantumcircuit te leren omgaan met een hele familie van verschillende scenario's, in plaats van slechts één vaste situatie. Stel je een enkele kunstenaar voor die een landschap kan schilderen in de zomer, winter, lente en herfst, simpelweg door te worden verteld welk seizoen er afgebeeld moet worden, zonder dat hij voor elk seizoen een compleet nieuwe schildertechniek hoeft te leren. Het team ontdekte dat door de "seizoensinformatie" direct in de begintoestand van de kwantumcomputer te coderen, zij de machine volledig op een klassieke computer konden trainen. Eenmaal getraind, kon de machine op een echte kwantumdevice worden ingezet om monsters te genereren voor elke conditie, zelfs voor condities die hij nog nooit eerder had gezien.

De kern van hun ontdekking ligt in de manier waarop zij de kwantumcomputer voorbereidden om instructies te ontvangen. Eerdere methoden probeerden de interne knoppen van de kwantumcircuit aan te passen op basis van de conditie, een beetje alsof je probeert de motor van een auto te veranderen terwijl deze rijdt. De nieuwe aanpak verandert in plaats daarvan de brandstof voordat de motor start. Ze voeden de kwantumcircuit een specifieke begintoestand die de informatie over de conditie al bevat, zoals een specifieke temperatuur of een bepaalde instelling. De circuit past vervolgens een enkele, gedeelde set operaties toe op deze begintoestand. Omdat de begintoestand de conditie draagt, hoeft de circuit niet opnieuw getraind of geconfigureerd te worden voor elk nieuw scenario. Dit stelt de onderzoekers in staat om het model met klassieke simulaties te trainen, die snel en betrouwbaar zijn, en de definitieve versie vervolgens op een kwantumprocessor te draaien.

Om dit idee te testen, richtte het team zich op twee verschillende uitdagingen. Eerst keken ze naar een wiskundige familie van distributies waarbij het gemiddelde en de spreiding onafhankelijk van elkaar kunnen worden afgesteld. Ze trainden een model om met deze variaties om te gaan en ontdekten dat het succesvol uitkomsten kon voorspellen voor combinaties van instellingen die het tijdens de training nog nooit was tegengekomen. In deze test was hun methode aanzienlijk nauwkeuriger dan oudere technieken die probeerden de interne parameters van de circuit voor elke conditie aan te passen. De nieuwe aanpak legde de onderliggende structuur van het probleem zo goed vast dat het generaliseerde naar nieuwe situaties met veel minder fouten.

De tweede, meer veeleisende test betrof het Curie-Weiss-model, een beroemd systeem dat wordt gebruikt om te beschrijven hoe magneten zich gedragen wanneer ze opwarmen of afkoelen. Naarmate de temperatuur verandert, ondergaan de magnetische spins in het materiaal een dramatische verschuiving, bewegend van een ongeordende staat naar een geordende staat. Deze overgang is berucht moeilijk te modelleren omdat de vorm van de waarschijnlijkheidsverdeling fundamenteel verandert. De onderzoekers trainden een enkele zestien-qubit kwantummodel om de gehele temperatuurrange te beheersen. De resultaten waren opmerkelijk: het model legde de overgang van een enkele piek in waarschijnlijkheid naar een dubbele piek accuraat vast, een gedrag dat de fysieke verschuiving in het materiaal vertegenwoordigt. Wanneer ze hun resultaten vergeleken met klassieke generatieve modellen, presteerde de kwantumbenadering net zo goed als klassieke modellen die zeven keer meer aanpasbare parameters hadden. Nog indrukwekkender was dat het model de fysica zo goed leerde dat het het gedrag van het systeem kon voorspellen bij temperaturen die het tijdens de training nooit had gezien.

Het team stopte niet bij kleine simulaties. Ze duwden de methode tot haar grenzen door modellen te trainen met tot wel tweeduizend vierentwintig qubits. Op deze schaal is het onmogelijk om het systeem op een klassieke computer te simuleren om de antwoorden rechtstreeks te controleren. Echter, omdat de natuurwetten die dit specifieke systeem beheersen goed begrepen zijn, konden de onderzoekers het verwachte gedrag van het magnetisme berekenen en dit met de output van hun model vergelijken. Ze vonden dat het model de langetermijnorde van de koude fase succesvol leerde en dit gedrag kon extrapoleren naar groottes die veel groter waren dan die gebruikt tijdens de training. Dit toonde aan dat de methode effectief schaalt, waarbij het in staat blijft complexe patronen te leren, zelfs wanneer het systeem groeit naar een omvang waarbij klassieke verificatie onmogelijk wordt.

De studie benadrukte ook het belang van hoe de conditie wordt gecodeerd. Ze testten verschillende manieren om de begintoestand voor te bereiden en ontdekten dat een meer geavanceerde voorbereidingsmethode, die de kwantumtoestand op een specifieke manier "draaide", veel betere resultaten opleverde dan een simpelere aanpak. Dit suggereert dat de manier waarop informatie in de kwantumcomputer wordt gevoed even cruciaal is als het leeralgoritme zelf. Door de input zorgvuldig te ontwerpen, konden ze fysieke symmetrieën op het model opleggen, waardoor werd gegarandeerd dat het de fundamentele wetten van het systeem dat het probeerde na te bootsen, respecteerde.

Uiteindelijk breidt dit werk de reikwijdte van kwantummachine learning uit. Het laat zien dat we niet hoeven te wachten op perfecte, foutloze kwantumcomputers om complexe modellen te trainen. Door klassieke computers te gebruiken om de patronen te leren en kwantumcomputers alleen voor het genereren van de uiteindelijke gegevens, kunnen onderzoekers nu problemen aanpakken die betrekking hebben op conditionele generatie — waarbij de output afhangt van een specifieke invoervariabele. Dit opent de deur naar het simuleren van fysieke systemen onder verschillende omstandigheden, van verschillende temperaturen tot verschillende externe velden, met behulp van een enkele, gedeelde kwantumcircuit. Het vermogen om deze modellen klassiek te trainen en vervolgens op kwanthardware te implementeren, vertegenwoordigt een belangrijke stap voorwaarts in het praktisch maken van kwantumgeneratieve modellen voor echte wetenschappelijke ontdekkingen.