К новым глубинам: ученые разработали квантовый алгоритм, который сделает ИИ еще умнее

Сотрудники Google и Массачусетсткого технологического института (MIT) придумали квантовый алгоритм для обучения глубоких нейронных сетей.

Исследование опубликовано на ресурсе аrXiv.

Квантовые алгоритмы для обучения широких и классических нейросетей считаются одной из самых перспективных областей для исследований, проводимых при помощи квантовых компьютеров. В последнее время нейронные сети показывают впечатляющие результаты, однако квантовые технологии могут ускорить выполнение задач во много раз и увеличить производительность до уровня, который физически недостижим классическими компьютерами.

Команда из MIT и Google Quantum AI предложила квантовый алгоритм, предназначенный для обучения нейросетей в логарифмическом времени. К тому же, они уже доказали эффективность своего метода на стандартном наборе данных изображений MNIST — это объемная база данных, содержащая образцы цифр, написанных от руки.

Большинство существующих алгоритмов квантового машинного обучения основаны на методах линейной алгебры, тогда как нейросети традиционно полагаются на нелинейность, делающую их универсальными. Недавние исследования представили нейронные касательные ядра (NTK), которые определяют ядро между любой парой примеров данных и описывают эволюцию сетей во время градиентного спуска.

По мере углубления нейронной сети матрица NTK становится более согласованной, что ускоряет "тренировку" и соответствует условиям для использования квантового алгоритма. В то же время, существующие квантовые алгоритмы не справляются с обучением из-за ряда теоретических недостатков.

Работа MIT и Google предполагает квантовый алгоритм, предназначенный для обучения широких и глубоких нейронных сетей, приближающихся к NTK. Они предложили два метода, и оба обеспечивают эффективный градиентный спуск. Их подход заключается в следующем:

1. Предполагается существование квантовой памяти с произвольным доступом (QRAM) для хранения и доступа к любым необходимым квантовым состояниям.
2. Используется оценка амплитуды и оценка медианы для оценки внутренних продуктов между примерами данных для вычисления элементов NTK.
3. Пост-выбор для подготовки NTK между точкой тестовых данных и обучающим набором.

Команда провела эксперименты, заставив нейросеть определять двоичные изображения MNIST. Результаты показали, что квантовый алгоритм позволяет значительно ускорить градиентный спуск и как результат — более быстрое обучение искусственного интеллекта.

Ранее Google придумала, как сделать квантовый компьютер "идеальным". Они разработали новую схему для сохранения кубитов, которая позволяет снизить вероятность ошибки через 50 микросекунд с 40% до 0,2%. Инженеры уверены, что могут создать "вечную" систему квантовых вычислений, но для этого необходимо проникнуть в другое измерение.