[Перевод] Машинное обучение помогает классическому моделированию квантовых систем
Используя «классические тени», обычные компьютеры могут превзойти квантовые компьютеры в сложной задаче понимания квантового поведения.
Понять квантовую вселенную — задача непростая. Интуитивные представления о пространстве и времени терпят крах в крошечной сфере субатомной физики, допуская поведение, которое нашему макрочувству кажется совершенно странным.
Квантовые компьютеры должны позволить нам использовать эту странность. Такие машины теоретически могли бы исследовать молекулярные взаимодействия для создания новых лекарств и материалов. Но, возможно, самое важное то, что сам мир построен на этой квантовой вселенной — если мы хотим понять, как она работает, нам, вероятно, понадобятся квантовые инструменты.
Однако нынешние планируемые квантовые устройства всё ещё далеки от выполнения этой задачи, поскольку они не могут надежно выполнять большое количество квантовых взаимодействий. Пока исследователи не смогут решить эту проблему, классические компьютеры остаются лучшим способом решения реальных проблем, хотя они и неэффективны.
Но, возможно, есть обходной путь, своего рода квантовый компромисс. Множество недавних статей предполагают, что можно взять квантовую систему, которую вы хотите понять, ввести ее свойства в классические машины и использовать эти машины для прогнозирования поведения квантовой системы. Объединив новый способ моделирования квантовых систем со все более сложными алгоритмами машинного обучения, исследователи создали метод, позволяющий классическим машинам моделировать и прогнозировать квантовое поведение.
«Я думаю, что эта работа очень важна», — сказал И-Чжуан Ю, физик из Калифорнийского университета в Сан-Диего, не связанный с исследованиями. «Это фундаментально меняет эту область в том смысле, что это правильный способ объединить квантовые вычисления и машинное обучение».
Чему мы учимся у теней
Исследователи пытаются использовать классические компьютеры для предсказания квантовых состояний по крайней мере с 1989 года. Обычно квантовая система с n кубитами — квантовым эквивалентом бита — может быть представлена классическим массивом из 2n чисел. Размер этого массива увеличивается экспоненциально с увеличением количества кубитов, а это означает, что требуемая вычислительная мощность быстро становится непомерно высокой.
В конце 2017 года учёный Скотт Ааронсон предположил, что нет необходимости знать полное классическое представление квантовой системы. Вместо этого вы могли бы узнать об этом квантовом состоянии и предсказать его свойства, используя только подмножество представления.
Затем, в 2020 году, физики Синь Юань (Роберт) Хуан и Ричард Куенг впервые применили практический подход к методу Ааронсона. Их техника позволила им предсказать многие характеристики квантового состояния системы на основе очень небольшого количества измерений с использованием классических методов. Процесс включал в себя построение «классической тени» на основе этих измерений: краткого классического представления квантовой системы, похожего на реальную тень, которое передаёт много информации —, но не всю — об объекте, отбрасывающем её.
Джон Прескилл помог показать, как «классические тени» квантовых систем теоретически могут позволить исследователям обрабатывать квантовую информацию на классических компьютерах.
«Вам придётся уменьшить ваши запросы и попытаться предсказать только определённые квантовые наблюдаемые», — сказал Джон Прескилл, физик-теоретик из Калифорнийского технологического института, который работал над проектом вместе с Хуангом и Куэнгом.
С помощью этой модели, если вы хотите предсказать определённое количество свойств системы, вам нужно ровно такое количество измерений, которое масштабируется как логарифм количества свойств. «Идея Роберта блестящая», — сказал Се Чен, коллега Прескилла из Калифорнийского технологического института, не принимавший участия в исследовании. «Это даст нам большое преимущество в изучении системы путем выполнения случайной выборки».
Этот подход уже принёс некоторый успех. Учёные уже использовали эти классические тени для проведения крупнейшей из когда-либо предпринятых симуляций квантовой химии, используя классический алгоритм с шумным, склонным к ошибкам квантовым компьютером для изучения сил, испытываемых атомами в кристалле алмаза.
Но, возможно, они могли бы сделать больше. Хуанг и другие хотели изучать квантовую систему не только в один статический момент (как в кристалле), но и то, как она менялась с течением времени. Это дало бы исследователям гораздо больше понимания того, как ведут себя эти системы, ценой гораздо большего количества данных для обработки. К счастью, к этому времени для решения подобной задачи стал популярен иной инструмент: машинное обучение.
Обучение моделей
За последние несколько лет классические модели машинного обучения добились революционных успехов в улучшении автоматизированных прогнозов. Но когда исследователи пытались использовать их для решения квантовых задач, говорит Прескилл, модели часто давали правильные результаты, но их точность не была гарантирована. Машинное обучение обычно развивается методом проб и ошибок, поэтому вам потребуются нужные данные — и в больших количествах — чтобы получить полезную информацию.
В статье Хуанга и его коллег из Google Quantum AI подчеркивается эта интуиция: классические алгоритмы машинного обучения, обученные на достаточном количестве квантовых данных, могут быть достаточно мощными в вычислительном отношении для моделирования квантовых систем.
Но проблема всё еще оставалась. Эти модели машинного обучения по-прежнему были классическими, а это означает, что они не могли обрабатывать по-настоящему квантовые данные и вычислять квантовые состояния. Чтобы обойти эту проблему, Хуанг и его коллеги в прошлом году показали в научной статье, как использовать классические тени для преобразования квантовой информации в классические данные. Затем они могли бы обучить модель машинного обучения прогнозированию свойств новых квантовых систем.
«Преимущество, которое они создают, — это квантовая карта между квантовыми входами и квантовыми выходами, оба из которых являются классическими тенями, поскольку вы никогда не добьетесь успеха, если они перейдут в полное квантовое состояние», — сказал Джаррод МакКлин, учёный из Google Quantum AI.
На практике это казалось выполнимым, поскольку для достижения точных прогнозов модели требовалось только полиномиальное количество точек данных. К сожалению, всё ещё были проблемы. «Полином был очень большим», — сказал Хуанг. По сути, было слишком сложно получить столько данных для обучения.
Последняя часть головоломки появилась на семинаре в июле этого года в Институте теории вычислений Саймонса при Калифорнийском университете в Бёркли. Там студентка из группы Прескилла по имени Лора Льюис продемонстрировала, как обойти препятствие.
Лаура Льюис показала, как улучшить существующие алгоритмы машинного обучения, чтобы позволить классическим компьютерам научиться обрабатывать квантовую информацию в практических и достижимых условиях.
В то время как предыдущие модели не учитывали геометрию изучаемой квантовой системы, работа Льюиса её учитывала. Вместо того чтобы пытаться отслеживать взаимодействия между каждой комбинацией кубитов в системе, ее алгоритм сосредоточился на локальном взаимодействии между кубитами, расположенными рядом друг с другом. Теперь для этого подхода требовалось меньше обучающих данных — всего лишь логарифмическая функция количества кубитов — для точного прогнозирования свойств квантовой системы, что, наконец, сделало его практически осуществимым.
За пределами теней
С помощью этих моделей исследователи могут исследовать состав и поведение всё более сложных квантовых систем. Но результат Льюиса также может помочь улучшить само это направление исследований: теперь у нас есть лучшие способы понять, как уменьшить требования к масштабированию для будущих предсказаний об иных квантовых системах.
Работа Льюиса показывает, «сколько данных нужно собрать из физической системы, чтобы сделать надёжные прогнозы», — сказал МакКлин.
Тем временем Хуан продолжил исследования. Основываясь на своей работе по классическим теням и машинному обучению, он недавно использовал улучшенный алгоритм для изучения активных квантовых систем (например, преобразования одного квантового состояния в иное) с меньшим объёмом данных. Прескилл подозревает, что это только начало. «Я ожидаю, что в ближайшие пять-десять лет основное влияние квантовые вычисления окажут не на коммерчески важные приложения», — сказал он. «Это будет научное исследование».
На данный момент новые методы, разработанные Хуангом и Льюисом, всё ещё нуждаются в тщательной проверке в лабораторных экспериментах. По словам Чэня, экспериментальные системы имеют дополнительный багаж, включая ошибки и неточности измерений, с которыми эти модели до сих пор не справляются.
Но даже несмотря на то, что эта работа всё еще продолжается, эти классические тени должны позволить исследователям по-новому улучшить своё понимание области квантовой теории. Достаточно ли классических теней, чтобы отразить квантовую сложность, или нам нужен полностью квантовый подход? Существуют ли квантовые свойства или динамика, которые навсегда останутся недоступными? «Их работа стала пионерской, позволившей задуматься над этими вопросами», — сказал Сунвон Чой, физик из Массачусетского технологического института.
И, возможно, однажды, сказал Прескилл, исследователи соберут достаточно экспериментальных данных, чтобы иметь возможность предсказать особенности системы, с которыми никогда не сталкивались в лаборатории. «Это одна из главных целей применения машинного обучения в квантовой физике», — сказал он. «И мы смогли показать, что, по крайней мере, в некоторых условиях можно делать точные прогнозы».
Автор перевода @arielf
НЛО прилетело и оставило здесь промокод для читателей нашего блога:
— 15% на заказ любого VDS (кроме тарифа Прогрев) — HABRFIRSTVDS.
