Door middel van machinaal leren en artificiële intelligentie (AI) kunnen complexe taken in korte tijd worden opgelost. Deze technologieën kunnen bijvoorbeeld worden gebruikt om patronen in grote, ongestructureerde datasets vast te leggen. Maar ze kunnen ook automatisch teksten vertalen of handschrift herkennen. De adaptieve systemen verwerken grote hoeveelheden gegevens: hoe hoger het datavolume, hoe betrouwbaarder het resultaat.
Quantumneurale netwerken ontwikkelen
Om verdere vooruitgang te boeken is meer rekenkracht nodig. Onderzoekers hopen dit te bereiken met quantumcomputers. Maar voordat quantumcomputers kunnen worden gebruikt voor machinaal leren, moeten eerst quantummechanische versies van neurale netwerken worden ontwikkeld. Nu heeft een team van het Instituut voor Theoretische Fysica van Leibniz Universität Hannover een veelbelovende structuur voor een dergelijk netwerk gepresenteerd. Het quantumneurale netwerk is robuust, flexibel en in staat om te leren.
Bestaande quantumneurale netwerken kunnen vaak alleen met zeer specifieke quantumproblemen omgaan. De door de onderzoekers in Hannover ontwikkelde structuur is daarentegen universeel inzetbaar. Het is dus in staat om eventuele berekeningen uit te voeren. Het is ook in staat om efficiënt te leren en tolerant te zijn voor interne storingsbronnen die gegevens kunnen corrumperen.
Ze toonden aan dat met slechts enkele gegevens een optimale oplossing kan worden gevonden. Bovendien kan het systeem op efficiënte wijze onderscheid maken tussen relevante gegevens en irrelevante gegevens. Dit is een belangrijk kenmerk, omdat experimenten vaak zogenaamde data-afval genereren. Het nieuwe quantumneurale netwerk is nog steeds in staat om te leren, zelfs als meer dan de helft van de gegevens geen deel uitmaken van het patroon.
Netwerk is opgebouwd uit verschillende niveaus
Het quantumneurale netwerk is opgebouwd uit verschillende niveaus. Elk niveau bestaat uit meerdere quantum neuronen, elk gevormd door individuele qubits. Qubits zijn veranderlijke quantumtoestanden en komen overeen met de bits van een klassieke computer.
Het eerste niveau wordt gebruikt om quantumgegevens in te voeren, door de qubits dienovereenkomstig te manipuleren. Het laatste niveau geeft de output van de resultaten. Het aantal tussenliggende niveaus is variabel. Zo kunnen netwerken van geschikte grootte naar behoefte worden gegenereerd. Quantum neurale netwerken met weinig tussenliggende niveaus werken sneller, diepere netwerken met veel niveaus kunnen complexere taken aan.
Identificeren van relevante quantumtoestanden
Er is nog een lange weg te gaan voordat het quantumneurale netwerk kan worden toegepast. Maar als dat zo is, zou quantum-machineleren relevante quantumtoestanden kunnen identificeren, waar experimenten ontelbare quantumtoestanden opleveren. Dit is bijvoorbeeld het geval bij onderzoek naar zwaartekrachtgolven.
Het werk werd uitgevoerd binnen het Collaborative Research Center SFB 1227 DQ-mat van de Duitse onderzoeksstichting (DFG), dat zich bezighoudt met de controle van complexe kwantummechanische systemen.
De resultaten zijn gepubliceerd in het tijdschrift Nature Communications.
Oorspronkelijke publicatie:
Training deep quantum neural networks
Kerstin Beer, Dmytro Bondarenko, Terry Farrelly, Tobias J. Osborne, Robert Salzmann, Daniel Scheiermann & Ramona Wolf
Nature Communications 11: 808 (2020)
DOI: https://doi.org/10.1038/s41467-020-14454-2
Ook interessant:
Bruikbaar prototype van een quantumcomupter in 2022
Fysici ontwikkelen een interface voor quantumcomputers
Als je dit artikel leuk vindt, lees dan ook:
