Ação assustadora pode ajudar a impulsionar a aprendizagem de máquina quântico

A machine learning, que agora alimenta o reconhecimento de fala, a visão computacional e muito mais, pode ser ainda mais poderoso quando executado em computadores quânticos. Agora, os cientistas descobrem que o estranho fenómeno quântico conhecido como entanglement, que Einstein apelidou de “ação assustadora à distância”, pode ajudar a remover um grande obstáculo potencial para implementar quantum machine learning , segundo um novo estudo.

Os computadores quânticos podem, teoricamente, provar-se mais poderosos do que qualquer computador convencional em várias tarefas, como encontrar os fatores primos de um número — a base matemática da criptografia moderna que atualmente protege os bancos e outros dados seguros. Quanto mais componentes conhecidos como qubits estiverem ligados em um computador quântico por meio de entanglement – em que várias partículas podem influenciar umas às outras instantaneamente, independentemente de quão distantes estejam – maior o poder computacional pode crescer, de maneira exponencial.

Os cientistas ainda estão pesquisando os problemas específicos para os quais a computação quântica pode ter uma vantagem sobre a computação clássica. Recentemente, eles começaram a explorar se a computação quântica pode ajudar a impulsionar o machine learning , o campo da IA ​​que investiga algoritmos que melhoram automaticamente por meio da experiência.

Uma aplicação potencial de machine learning quântico é simular sistemas quânticos – por exemplo, reações químicas que podem gerar insights que levam a baterias de próxima geração ou novos medicamentos . Isso pode envolver a criação de modelos das moléculas de interesse, fazendo com que elas interajam e usando experimentos de como os compostos reais interagem como dados de treinamento para ajudar a melhorar os modelos.

Um grande obstáculo potencial que o machine learnig quântico pode enfrentar é o chamado teorema do "sem almoço grátis" . O teorema sugere que qualquer algoritmo de aprendizado de máquina é tão bom quanto, mas não melhor, do que qualquer outro quando seu desempenho é calculado em muitos problemas e conjuntos de dados de treinamento.

Uma consequência do teorema sem almoço grátis é que o desempenho médio de um algoritmo de machine learning depende da quantidade de dados que ele possui, sugerindo que a quantidade de dados limita o desempenho do machine learning. Isso levantou a possibilidade de que, para modelar um sistema quântico, por exemplo, a quantidade de dados de treinamento que um computador quântico poderia precisar crescesse exponencialmente à medida que o sistema modelado se tornasse maior. Isso poderia potencialmente eliminar a vantagem que a computação quântica poderia ter sobre a computação clássica.

Agora, os cientistas descobriram uma maneira de eliminar essa sobrecarga exponencial usando uma versão quântica recém-descoberta do teorema sem almoço grátis. Suas descobertas, verificadas usando o computador quântico Aspen-4 da Rigetti, da startup de hardware quântico , sugerem que adicionar mais entanglement ao aprendizado de máquina quântico pode levar a um aumento exponencial.

Especificamente, os pesquisadores sugeriram entangle qubits adicionais com o sistema quântico que um computador quântico pretende modelar. Esse conjunto extra de qubits " ancilla " pode ajudar o circuito de aprendizado de máquina quântico a interagir com muitos estados quânticos nos dados de treinamento ao mesmo tempo. Como tal, um circuito de quantum machine learning pode experimentar uma aceleração mesmo com relativamente poucos ancillas .

“A troca de entanglement por estados de treinamento pode dar enormes vantagens para o treino de certos tipos de sistemas quânticos”, diz o coautor do estudo Andrew Sornborger , físico do Laboratório Nacional de Los Alamos, no Novo México.

Sornborger adverte que pode ser extremamente difícil entrelaçar ancilla qubits com os sistemas quânticos usados ​​nos experimentos necessários para fornecer dados de treinamento. Ainda assim, "desde que não seja exponencialmente difícil, em algum sentido, criar entanglement, então podemos nos beneficiar", diz ele.

Uma potencial aplicação futurista deste trabalho é o que os pesquisadores chamam de "carregamento de caixa preta". "Não seria legal poder aprender um modelo de um experimento quântico e depois estudá-lo em um computador quântico sem ter que fazer experimentos repetidos?" diz Sornborger.

Por exemplo, se os destruidores de átomos do CERN , o maior laboratório de física de partículas do mundo, emaranhassem prótons colidindo com os detectores usados ​​para analisá-los e um computador quântico extraordinariamente poderoso, da ordem de um bilhão de bilhões de qubits , os cientistas poderiam ter uma forma de analisar diretamente o Modelo Padrão, atualmente a melhor explicação de como todas as partículas elementares conhecidas se comportam.

“Esse é o tipo de possibilidade que começamos a contemplar no contexto de quantum machine learning”, diz Sornborger.

Os cientistas detalharam suas descobertas em 18 de fevereiro na revista Physical Review Letters.

Consultado a: 04\03\2022

https://spectrum.ieee.org/quantum-machine-learning