مسیر هوش مصنوعی کوآنتومی، از طریق کشفیات جدید هموار می‌شود
تیم تحریریه- ۱۷ آذر ۱۴۰۰
مطالعات جدید نشان داده‌اند که با آموزش شبکه‌های عصبی پیچشی بر روی کامپیوترهای کوآنتومی، می‌توان مشکل «فلات‌های بی‌ثمر» را که در مسائل بهینه‌سازی رخ می‌دهد، حل کرد.
شبکه‌های عصبی پیچشی که بر روی کامپیوترهای کوآنتومی اجرا می‌شوند، ظرفیت خارق‌العاده‌ای برای تحلیل داده‌های کوآنتومی دارند و از این نظر نسبت به کامپیوترهای کلاسیک برتری دارند. با‌این‌حال، مشکلی اساسی که با نام «فلات‌های بی‌ثمر Barren Plateaus» شناخته می‌شود، کاربرد این شبکه‌های عصبی بر روی دیتاست‌های بزرگ را با محدودیت روبه‌رو کرده است. در این نوشتار، نتایج پژوهشی جدید را مرور خواهیم کرد که موفق به کشف راه‌حل این مسئله شده است و بدین ترتیب، اجرای این شبکه‌ها در مقیاس بزرگ را امکان‌پذیر می‌کند. این مقاله، در ژورنال Physical Review X منتشر شده است.
مارکو کرتزو، از محققان آزمایشگاه ملی لس‌آلاموس و یکی از نویسندگان مقاله «غیاب فلات‌های بی‌ثمر در شبکه‌های عصبی پیچشی کوآنتومی Absence of Barren Plateaus in Quantum Convolutional Neural Networks»، توضیح می‌دهد: «شیوه ساخت شبکه عصبی می‌تواند منجر به بروز مشکل فلات‌های بی‌ثمر بشود؛ اما همیشه این‌طور نیست. ما در این پژوهش، نشان داده‌ایم که در نوع خاصی از شبکه‌های عصبی کوآنتومی، فلات‌های بی‌ثمر وجود ندارند. مطالعات ما آموزش این معماری‌ها را توضیح می‌دهد، به نحوی که شبکه بتواند پارامترهای خودش را به صورت عمومی آموزش دهد.» کرتزو فیزیک‌دانی است که در حوزه محاسبات کوآنتومی، یادگیری ماشین کوآنتومی و اطلاعات کوآنتومی تخصص دارد.
ساختار شبکه‌های عصبی پیچشی کوآنتومی از قشر بینایی مغز انسان الهام گرفته است. به همین دلیل، این شبکه‌ها یک مجموعه لایه پیچشی یا فیلتر دارند که بین‌شان لایه‌های تجمیعی Pooling قرار گرفته‌اند. این لایه‌ها در عین حفظ ویژگی‌های مهم دیتاست، ابعاد آن را نیز کاهش می‌دهند.
این شبکه‌های عصبی را می‌توان برای حل طیفی از مسائل گوناگون، همچون تشخیص تصویر یا کشف مواد، به کار برد. غلبه بر مشکل فلات‌های بی‌ثمر، کلید بهره‌مندی از قابلیت‌های کامپیوترهای کوآنتومی در حوزه هوش مصنوعی و اثبات برتری آن‌ها نسبت به کامپیوترهای کلاسیک است.
متخصصان یادگیری ماشین کوآنتومی تاکنون، کاهش اثرات فلات‌های بی‌ثمر را بررسی کرده‌اند؛ اما اساس نظری لازم برای حذف کلی یا جلوگیری از آن را در دست نداشته‌اند. محققان لس‌آلاموس نشان دادند که برخی از این شبکه‌های عصبی کوآنتومی می‌توانند در برابر فلات‌های بی‌ثمر مقاوم باشند.
پاتریک کولز، فیزیک‌دان کوآنتومی آزمایشگاه لس‌آلاموس و یکی دیگر از نویسندگان این مقاله، می‌گوید: «اکنون محققان می‌توانند داده‌های کامپیوترهای کوآنتومی را غربال کنند و با تکیه بر اطلاعاتی که درباره سیستمهای کوآنتومی به دست می‌آورند، خواص مواد را مطالعه کنند یا مواد جدید کشف کنند. البته این تنها نمونه‌ای از کاربردهای فراوان این کشفیات است.»
به عقیده کولز، الگوریتم‌های هوش مصنوعی، کاربردهای بیشتری هم پیدا خواهند کرد؛ زیرا همه برنامه‌های یادگیری ماشین، تشنه داده هستند و محققان نیز می‌توانند با تکیه بر کامپیوترهای کوآنتومی، داده‌های بیشتر و بیشتری تولید کنند.
اجتناب از مشکل گرادیان کاهشی
کرتزو معتقد است: «مشکل فلات‌های بی‌ثمر، همه مزایای بالقوه فناوری کوآنتومی، از جمله سرعت بالا را به خطر می‌اندازد.»
ریشه مسئله «گرادیان کاهشی» را می‌توان در نمای بهینه‌سازی به وضوح مشاهده کرد. این نما از پستی و بلندی‌ها (قله، فلات و دره) تشکیل شده است. پارامترهای مدل را به نحوی باید آموزش داد که سراسر این نمای جغرافیایی را به دنبال راهکار ایده‌آل جست‌وجو کنند. این راهکار معمولاً در انتهای پایین‌ترین دره قرار دارد. وقتی نما هموار و مسطح باشد، آموزش پارامترها با مشکل روبه‌رو می‌شود، چون جهت درست را به سختی می‌توان تشخیص داد.
این مشکل با افزایش تعداد ویژگی‌های داده‌ها تشدید می‌شود؛ چون در این صورت، نما مسطح‌تر می‌شود و با بروز مشکل فلات‌های بی‌ثمر، شبکه عصبی کوآنتومی، دیگر نمی‌تواند رشد کند.
محققان لس‌آلاموس، رویکرد گرافیکی جدیدی توسعه داده‌اند که امکان تحلیل مقیاس‌بندی در شبکه‌های عصبی کوآنتومی را فراهم می‌آورد و آموزش‌پذیری آن را تضمین می‌کند.
بیش از 40 سال است که فیزیک‌دان‌ها بر نقش کامپیوترهای کوآنتومی در درک و شبیه‌سازی سیستمهای کوآنتومی تأکید می‌کنند. اکنون پژوهشگران موفق به ساخت شبکه عصبی پیچشی کوآنتومی شده‌اند که در برابر مسئله مذکور مقاوم است و برای تحلیل داده‌های حاصل از شبیه‌سازی‌های کوآنتومی نیز مفید است.
کولز یادآوری می‌کند: «یادگیری ماشین کوآنتومی، حوزه‌ای جوان و نوپا به شمار می‌رود. وقتی لیزر برای اولین بار کشف شد، باوری رایج ایجاد شده بود مبنی بر اینکه لیزر راهکاری است که به دنبال مشکل می‌گردد؛ اما حالا لیزرها و کاربردشان را همه‌جا می‌بینیم. اینجا هم همین‌طور است؛ برخی به قابل دسترس بودن داده‌های کوآنتومی شک دارند و به‌تبع، معتقدند یادگیری ماشین کوآنتومی رونق چندانی نخواهد گرفت.»
برای نمونه، پژوهشی قصد دارد با تمرکز بر روی مواد سرامیکی، به عنوان ابررساناهایی با دمای بالا، نقش آن‌ها در ارتقای حمل‌ونقل یکپارچه (مثل قطارهای مغناطیسی هوایی) را بررسی کند؛ اما تجزیه و تحلیل داده‌های موجود درباره فازهای متعدد ماده (که تحت‌تأثیر دما، فشار و ناخالصی‌های موجود تغییر می‌کنند) و دسته‌بندی این آن‌ها مسئله‌ای سنگین به شمار می‌رود که فراتر از قابلیت‌های کامپیوترهای کلاسیک هستند.
کامپیوترهای کوآنتومی، با تکیه بر شبکه عصبی کوآنتومی مقیاس‌پذیر، قادر خواهند بود، دیتاست‌های عظیم را غربال کنند، تا حالات گوناگون مواد را تشخیص دهند و همبستگی بین این حالات را مشخص سازند و در نهایت، بهترین حالت ممکن برای ابررسانایی دمای بالا را مشخص کنند.
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید
