Le nouveau théorème No-Free-Lunch pour les réseaux de neurones quantiques donne l’espoir d’une accélération quantique


  • FrançaisFrançais



  • Le domaine de l’apprentissage automatique sur les ordinateurs quantiques a été stimulé par de nouvelles recherches supprimant un obstacle potentiel à la mise en œuvre pratique des réseaux de neurones quantiques. Alors que les théoriciens croyaient auparavant qu’un ensemble d’entraînement exponentiellement grand serait nécessaire pour entraîner un réseau de neurones quantiques, le théorème quantique No-Free-Lunch développé par le Laboratoire national de Los Alamos montre que l’intrication quantique élimine cette surcharge exponentielle.

    « Notre travail prouve que les mégadonnées et le grand enchevêtrement sont précieux dans l’apprentissage automatique quantique. Mieux encore, l’enchevêtrement conduit à l’évolutivité, ce qui résout l’obstacle de l’augmentation exponentielle de la taille des données afin de les apprendre », a déclaré Andrew Sornborger, un informaticien à Los Alamos et co-auteur de l’article publié le 18 février dans Lettres d’examen physique. « Le théorème nous donne l’espoir que les réseaux de neurones quantiques sont sur la bonne voie pour atteindre l’objectif d’accélération quantique, où ils finiront par surpasser leurs homologues sur les ordinateurs classiques. »

    Le théorème classique No-Free-Lunch stipule que tout algorithme d’apprentissage automatique est aussi bon, mais pas meilleur que tout autre lorsque leurs performances sont moyennées sur toutes les fonctions possibles reliant les données à leurs étiquettes. Une conséquence directe de ce théorème qui met en valeur la puissance des données dans l’apprentissage automatique classique est que plus on a de données, meilleures sont les performances moyennes. Ainsi, les données sont la monnaie de l’apprentissage automatique qui limite finalement les performances.

    Le nouveau théorème No-Free-Lunch de Los Alamos montre que dans le régime quantique, l’intrication est également une monnaie, et qui peut être échangée contre des données afin de réduire les besoins en données.

    À l’aide d’un ordinateur quantique Rigetti, l’équipe a intriqué l’ensemble de données quantiques avec un système de référence pour vérifier le nouveau théorème.

    « Nous avons démontré sur du matériel quantique que nous pouvions effectivement violer le théorème standard No-Free-Lunch en utilisant l’enchevêtrement, tandis que notre nouvelle formulation du théorème résistait à des tests expérimentaux », a déclaré Kunal Sharma, le premier auteur de l’article.

    « Notre théorème suggère que l’intrication devrait être considérée comme une ressource précieuse dans l’apprentissage automatique quantique, avec les mégadonnées », a déclaré Patrick Coles, physicien à Los Alamos et auteur principal de l’article. « Les réseaux de neurones classiques ne dépendent que des mégadonnées. »

    L’intrication décrit l’état d’un système de particules à l’échelle atomique qui ne peut pas être entièrement décrit indépendamment ou individuellement. L’intrication est un élément clé de l’informatique quantique.

    Source de l’histoire :

    Matériaux fourni par DOE/Laboratoire national de Los Alamos. Remarque : Le contenu peut être modifié pour le style et la longueur.

    N'oubliez pas de voter pour cet article !
    1 étoile2 étoiles3 étoiles4 étoiles5 étoiles (No Ratings Yet)
    Loading...
    mm

    La Rédaction

    L'équipe rédactionnelle

    1 réponse

    1. 27 février 2022

      […] actualite.housseniawriting.com […]

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.