Впервые учёные превратили квантовый шум в характеристику системы, что позволило крошечной системе выполнять гигантские задачи.
В течение многих лет прогресс в области искусственного интеллекта следовал простому правилу: делать его больше, добавляя больше слоев, больше связей, больше вычислительной мощности. Однако новое исследование говорит об обратном.
Вместо того чтобы увеличивать масштаб, авторы исследования создали невероятно маленькую систему — квантовую систему всего с девятью взаимодействующими атомными спинами — и попросили её решить задачи, которые обычно требуют гораздо более крупных машин.
Результат оказался неожиданным. Эта крошечная система не просто показала себя с лучшей стороны; она превзошла классические модели машинного обучения с тысячами узлов в таких задачах, как прогнозирование температурных изменений на несколько дней.
«Это первая экспериментальная демонстрация того, что квантовое машинное обучение превосходит крупномасштабные классические модели в реальных задачах», — отмечают авторы исследования.
Значит ли это, что ученые все это время подходили к квантовым вычислениям неправильно?
Позволить системе думать самостоятельно.
Одна из самых больших проблем в квантовых вычислениях — это управление. Большинство подходов основаны на тщательно разработанных квантовых схемах, где каждый шаг должен быть выполнен с высокой точностью.
Однако современное квантовое оборудование страдает от мельчайших помех (шума) из окружающей среды, которые могут быстро нарушить эти вычисления. Это одна из причин, почему реальные практические приложения остаются недоступными.
Исследователи сделали шаг назад и попробовали что-то другое. Они позаимствовали идею из области машинного обучения, называемую резервуарными вычислениями.
При таком подходе вы не занимаетесь микроменеджментом системы. Вы вводите данные, позволяете системе развиваться самостоятельно, а затем считываете результат. Этот интеллект возникает благодаря тому, как система естественным образом обрабатывает и преобразует входные данные.
«Квантовые резервуарные вычисления открывают огромные возможности для применения в машинном обучении», — утверждают авторы исследования.
Для создания этого устройства команда использовала методы ядерного магнитного резонанса для управления девятью атомными спинами — по сути, крошечными магнитами на квантовом уровне. Эти спины взаимодействуют друг с другом, создавая постоянно меняющееся внутреннее состояние. Когда входные данные кодируются в эту систему, они не остаются статичными. Они распространяются, смешиваются и трансформируются сложным образом.
Именно здесь вступает в игру квантовая физика. Система может существовать одновременно в нескольких состояниях и развивать сильные внутренние корреляции. В результате даже небольшое количество компонентов может генерировать очень сложные модели поведения.
Вместо того чтобы программировать каждый шаг, исследователи просто позволили этим динамическим процессам развиваться естественным образом, а затем извлекли полезную информацию из результата.
Превращение недостатка в преимущество
В большинстве квантовых экспериментов диссипация (процесс, при котором система теряет энергию в окружающую среду) представляет собой проблему, которую необходимо устранить. Она приводит к потере информации и внесению ошибок, но здесь она была использована преднамеренно.
Почему? Потому что задачи прогнозирования зависят от памяти. Чтобы предсказать, что произойдет дальше, система должна сохранять следы того, что было раньше, — но не слишком много. Если она запоминает все одинаково, она перегружается. Если она забывает слишком быстро, она теряет контекст.
Рассеивание обеспечило естественный способ достижения этого баланса. Оно постепенно удаляло старую информацию, позволяя при этом более сильным воздействиям на систему со стороны недавних входных данных. Другими словами, то, что обычно воспринимается как шум, стало инструментом для управления памятью.
От контрольных показателей до реальной погоды
Чтобы проверить эффективность своего подхода, исследователи сначала обратились к стандартному тесту NARMA, часто используемому для оценки систем прогнозирования временных рядов. Квантовая установка дала здесь свой первый значительный результат, сократив ошибки прогнозирования на один-два порядка по сравнению с более ранними экспериментальными квантовыми методами.
Однако эталонные тесты — это одно, а данные из реальных условий — совсем другое. Поэтому авторы исследования перешли к прогнозированию погоды, сосредоточившись на температурных тенденциях в течение нескольких дней. Несмотря на свою простоту, девятиспиновая система смогла отслеживать эти закономерности с впечатляющей точностью.
Наиболее поразительное сравнение было получено при сопоставлении с классической моделью, известной как сеть с эхо-состоянием — хорошо зарекомендовавшим себя подходом в резервуарных вычислениях. Даже когда классическая система была масштабирована до тысяч узлов, гораздо меньшая по размеру квантовая система все равно показала лучшие результаты в многодневных прогнозах.
«В долгосрочном прогнозировании погоды наш квантовый резервуар обеспечивает более высокую точность прогнозирования, чем классические резервуары с тысячами узлов, что позволяет предположить, что практические преимущества квантовых вычислений в прогнозировании временных рядов могут быть достигнуты с помощью современного квантового оборудования», — заявили авторы исследования.
Переосмысление пути к созданию полезных квантовых машин
Эта работа указывает на сдвиг в том, как могут развиваться квантовые вычисления. Вместо того чтобы ждать появления больших, идеально управляемых машин, исследователи, возможно, смогут извлекать пользу из небольших, несовершенных систем уже сейчас — используя их естественную динамику, а не борясь с ней.
«Мы представляем новый подход к квантовым резервуарным вычислениям, основанный на коррелированных квантовых спиновых системах, использующий естественные квантовые многочастичные взаимодействия для генерации динамики резервуара, тем самым обходя практические проблемы глубоких квантовых схем», — добавили авторы исследования.
Тем не менее, этот подход находится еще на ранней стадии разработки. Текущая система имеет ограниченные размеры и была протестирована только на определенных типах задач. Это не универсальный компьютер, и его масштабирование создаст новые проблемы.
Тем не менее, исследование преподносит очень важный урок: прогресс достигается не за счет добавления чего-либо нового, а за счет более разумного использования уже имеющихся ресурсов.
Результаты исследования опубликованы в журнале Physical Review Letters.
Sourse: interestingengineering.com
