Дослідники створили особливий тип нейронної мережі, який дозволяє подолати проблему так званого «безплідного плато», що не дозволяє навчати програму. Створену авторами нейромережу можна запустити на квантовому комп'ютері.
«Безплідні плато» не дозволяють навчати нейромережі і масштабувати їх. Вчені знайшли спосіб обійти цю проблему і створити алгоритм, який можна запустити навіть на потужному квантовому комп'ютері майбутнього
Суть проблеми «безплідного плато» полягає в зникаючому градієнті в ландшафті оптимізації. Ландшафт оптимізації нейромережі складається з пагорбів і долин, висота яких відображає «складність» шляху вирішення завдання. Найоптимальніший шлях зазвичай знаходиться на дні найнижчої долини, але якщо ландшафт плоский, він не дозволяє тренувати параметри, тому що стає неможливо визначити, в якому напрямку рухатися для поліпшення вирішення.
Ця проблема стає особливо актуальною, коли збільшується кількість функцій даних. Фактично, ландшафт прагне до плоскої форми за законом експоненти зі збільшенням розміру мережі. Отже, при наявності такого «безплідного плато» квантову нейронну мережу не можна масштабувати.
Команда дослідників з Лос-Аламоської Національної лабораторії розробила новий графічний підхід для аналізу масштабування квантової нейронної мережі. Автори показали, що певна конструкція згорточної нейромережі дозволяє уникнути проблеми безплідного плато при її масштабуванні.
Квантові звіркові нейронні мережі засновані на структурі зорової кори головного мозку. Вони включають ряд згорточних шарів або фільтрів, що чергуються з шарами об'єднання, які зменшують розмір збереженої інформації, зберігаючи при цьому важливі функції набору даних.
Ці нейронні мережі можна використовувати для вирішення цілого ряду завдань, від розпізнавання зображень до виявлення матеріалів. Подолання безплідних плато є ключем до розкриття всього потенціалу квантових комп'ютерів у додатках штучного інтелекту і демонстрації їх переваги над класичними комп'ютерами.
Очікується, що тип квантової згорточної нейронної мережі, надійність якої довели дослідження в Лос-Аламосі, знайде корисне застосування при аналізі даних квантового моделювання. Використовуючи масштабовану квантову нейронну мережу, квантовий комп'ютер міг би просіяти великий набір даних про різні стани матеріалу і зіставити ці статки з фазами, щоб визначити оптимальну внутрішню структуру речовини, наприклад, для надмірної появи для появи для появи.
Стаття опублікована в журналі Physical Review X.