Вчені використовують підкріплення для навчання квантового алгоритму

Нещодавні досягнення в галузі квантових обчислень змусили пошуки наукового співтовариства вирішити певний клас складних проблем, для яких квантові комп'ютери краще підходили б, ніж традиційні суперкомп'ютери. Для підвищення ефективності, з якою квантові комп'ютери можуть вирішити ці проблеми, вчені досліджують використання підходів штучного інтелекту.

У новому дослідженні вчені з Національної лабораторії Аргонна Міністерства енергетики США (DOE) розробили новий алгоритм, заснований на навчанні підкріплення, щоб знайти оптимальні параметри для квантового приблизного алгоритму оптимізації (QAOA), що дозволяє квантовому комп'ютеру вирішити певні комбінаторні проблеми, такі, які виникають у дизайні матеріалів, хімії та бездротових комунікаціях.

"Проблеми комбінаторної оптимізації — це ті, для яких простір рішень стає експоненціально більшим у міру розширення кількості змінних рішень", — сказала комп'ютолог Аргонна Прасанна Балапракаш. "В одному традиційному прикладі ви можете знайти найкоротший маршрут продавця, якому потрібно відвідати кілька міст один раз, перерахувавши всі можливі маршрути, але, враховуючи пару тисяч міст, кількість можливих маршрутів значно перевищує кількість зірок у Всесвіті навіть найшвидші суперкомп'ютери не можуть знайти найкоротший шлях у розумні терміни ".

Нещодавно розроблений QAOA вважається одним з провідних кандидатів у демонстрації переваги квантових комп'ютерів. QAOA — це гібридний квантово-класичний алгоритм, який використовує як класичні, так і квантові комп'ютери для приблизно вирішення задач комбінаторної оптимізації.

Новий алгоритм, розроблений в Argonne, дізнається, як налаштувати QAOA за допомогою механізму зворотного зв'язку. Особливістю запропонованого алгоритму є те, що він може бути навчений на менших проблемних екземплярах, а навчена модель може адаптувати QAOA до більших проблемних випадків. "Це трохи схоже на те, щоб мати автомобіль із самостійним керуванням у русі", — сказав Балапракаш. "Алгоритм може виявити, коли йому потрібно здійснити коригування в" циферблатах ", які він використовує для обчислення."

QAOA може мати значні переваги для вирішення комбінаторних проблем, які виникають при бездротовому зв'язку 5G. За словами Балапракаша, наукова проблема під назвою Max-Cut може бути використана для моделювання того, як різні бездротові пристрої спілкуються між собою одночасно з мінімальними перешкодами між ними. Вирішення таких проблем масштабним є складним, але важливо для оптимального управління бездротовим спектром.

Використання машинного навчання для оптимізації квантового алгоритму передбачає підготовку його до "винагород" та "штрафів" залежно від того, наскільки добре воно працює, сказав Самі Кайрі, автор дослідження та аспірант Іллінойського технологічного інституту. "Це ітеративна процедура, яка дозволяє нам покращити роботу обчислень", — сказав він. "Це дізнається кращий спосіб призначити нові параметри, і ми хочемо якнайшвидше призначити хороші параметри."

Однією з головних переваг такого машинного навчання є можливість узагальнення принципів цих висновків щодо ширшого класу проблемних випадків, пояснив Хаїрі. "Ми розробили алгоритм оптимізації, який працює в декількох випадках", — сказав він. "У попередніх дослідженнях це було так, ніби ми навчали одного водія керувати одним видом машини; тут ми маємо можливість навчити свого водія адаптуватися до багатьох різних автомобілів у режимі реального часу".

Доповідь, заснована на роботі команди "Навчитися оптимізувати варіативні квантові схеми для вирішення комбінаторних задач", була представлена ​​на конференції AAAI-20 зі штучного інтелекту (AI) у лютому.

Facebook Comments