×

Распределение помеченных квантовых данных подвергается процессу рандомизации, что приводит к следующим выводам: 1) гипотеза с большим диапазоном эмпирических обобщений справедлива; 2) единые границы обобщения накладывают одинаковые верхние границы на все гипотезы. Поэтому единые верхние границы могут рассматриваться как свободные, что не исключает возможности достижения хорошего обобщения, но, видимо, не в состоянии объяснить или предсказать такое успешное поведение. Источник.

В то время как дискуссии вокруг алгоритмов искусственного интеллекта ведутся на всех уровнях, возможности квантовых компьютеров в области машинного обучения все ещё остаются в некоторой степени неизученными. Машинное обучение обычных компьютеров представляет собой комплекс методов ИИ как области информатики, позволяющий производить вычисления без явного программирования, а лишь базируясь на данных о решении множества сходных задач.

Этот подход навеян тем, как обучаются дети, которые усваивают колоссальное количество информации о мире, просто взаимодействуя с ним. Но взрослых это тоже касается. Так, если перед нами стоит логическая задача, мы можем целенаправленно конструировать различные варианты решений, но в повседневной жизни нам всё же привычнее пользоваться наработками нашего опыта. Однако вся штука в том, что мозг применяет не один алгоритм ко всем ситуациям, а создаёт новое решение для каждого конкретного случая, основываясь на текущих «входящих» данных и всей доступной ему базе решений. Так же работают генеративные моделиИИ вроде ChatGPT и других: при каждом нашем запросе нейросеть генерирует решение заново, а не ищет его в «картотеке ответов», как, например, поисковая система.

Машинное обучение требует больших вычислительных и энергетических мощностей, и учёные делают ставку на то, что в этом направлении наши горизонты расширит развитие квантовых систем. По всему миру изучаются их потенциальные возможности; в том числе и на предмет того, сможет ли квантовый ИИ решать некоторые проблемы традиционных вычислений лучше предшественника.

Исследование, проведённое командой Свободного университета Берлина, выявило примечательные особенности, которые бросают вызов господствующим сегодня мнениям о сути квантового машинного обучения. Обнаружено, что, в отличие от традиционных, квантовые нейросети могут не только изучать, но и запоминать данные, на первый взгляд кажущиеся случайными. Работа учёных представлена в статье «Понимание квантового машинного обучения также требует переосмысления обобщений», опубликованной в Nature Communications.

Эта удивительная особенность базируется на фундаментальном отличии квантовых компьютеров от обычных, а именно на том, что их отдельные вычислительные блоки основаны на разных физических принципах. Кубиты зиждутся на отдельных атомах, ионах или сверхпроводящих схемах, которые ведут себя в соответствии с законами квантовой механики.

Совсем недавно всё это считалось лишь мечтой, но теперь эти системы стремительно развиваются, и сегодня квантовые процессоры содержат сотни кубитов. Однако учёные имеют только общее понимание о том, на что способны эти машины. Распространено мнение, что они смогут решать важные задачи гораздо быстрее, чем существующие суперкомпьютеры. Поэтому исследователи уже сейчас изучают их потенциал в контексте применения в сфере машинного обучения.

Коллектив Свободного университета Берлина сосредоточился на многообещающем подходе в этой области ‒ квантовых нейросетях. Команда обнаружила, что модели этого вида реагируют на новые данные ‒ т.е. извлекают «уроки» из них ‒ совсем иначе, чем можно было предположить. Оказалось, они способны делать своего рода обобщение, а значит, классифицировать данные по каким-то признакам.

«Это все равно, что обнаружить, будто 6-летний ребёнок может запоминать случайные цепочки чисел и таблицы умножения одновременно, ‒ говорит ведущий автор исследования Элис Гил-Фустер, научный сотрудник Свободного университета Берлина и Института Генриха Герца. ‒ Наши эксперименты показывают, что эти квантовые нейронные сети невероятно искусны в подборе случайных данных и меток, бросая вызов самим основам того, как мы понимаем обучение и обобщение».

Вообще известно, что модели квантового машинного обучения довольно успешно демонстрируют способности к обобщению даже при использовании небольшого количества обучающих данных. Однако систематические эксперименты по рандомизации, проведённые в рамках данной работы, показали, что традиционные подходы к пониманию обобщения не в состоянии объяснить такое поведение. Оказалось, что современные квантовые нейросети точно соответствуют случайным состояниям и случайной маркировке обучающих данных.

Результаты своих опытов, выглядящие довольно странно в рамках существующей парадигмы, команда дополнила теоретическим обоснованием. В нём исследователи делают очень смелое предположение: квантовые нейронные сети могут обладать способностью к запоминанию, которая строится на присвоении произвольных меток квантовым состояниям.

Проработка этой версии не выявила противоречий наблюдаемому на практике хорошему обобщению с небольшим количеством обучающих данных. Однако она скорее исключает любые возможные гарантии, основанные только на свойствах семейства моделей. Эти-то результаты и выявляют фундаментальную проблему в традиционном понимании обобщения в квантовом машинном обучении, показывая стереотипность подхода в его изучении.

Нам, обывателям, важность этого открытия может показаться несколько надуманной, но представленные выводы имеют далеко идущие последствия. Да, это ставит под сомнение традиционные показатели, по которым проводится оценка способности моделей к обобщению, но также и даёт реальный повод подозревать, что квантовые нейросети обладают врождённой способностью к запоминанию.

«Хотя это не обязательно подразумевает, что квантовое машинное обучение предназначено для плохого обобщения, это действительно означает, что нам нужно переосмыслить наш подход к проблеме, ‒ объясняет профессор Йенс Айзерт, руководитель исследовательской группы. ‒ Наши результаты показывают, что нам нужна смена парадигмы в том, как мы концептуализируем и оцениваем квантовые модели для задач машинного обучения».

В перспективе это открытие выведет саму технологию машинного обучения на другой уровень. Представляя собой значительный шаг вперёд в понимании особенностей процесса для квантовой среды, полученные выводы уже позволяют исследователям предвкушать потенциальное применение их работы в будущих исследованиях и разработках. Фактически, авторы проложили путь для новых идей в этой быстро развивающейся области.

«Точно так же, как предыдущие открытия в физике изменили наше понимание вселенной, это исследование потенциально может переопределить будущее моделей квантового машинного обучения, ‒ не без гордости заявляют учёные в публикации. ‒ Поскольку мы стоим на пороге новой технологической эры, понимание этих нюансов может стать ключом к дальнейшим достижениям в области квантового машинного обучения».

 


АРМК, по материалам Свободного университета Берлина.