Fizika unapređuje metode vještačke inteligencije
Istraživači iz Caltecha i Univerziteta u Južnoj Kaliforniji (USC) prijavljuju prvu primjenu kvantnog računarstva na fizički problem. Koristeći kvantno-kompatibilne tehnike mašinskog učenja, razvili su metodu ekstrahiranja retkog Higgs bosonog signala iz obimnih podataka. Higgs je čestica koja je predviđena da obara elementarne čestice sa masom i otkrivena je na Large Hadron Collider-u u 2012. godini. Novi kvantni mašinski metod učenja dobro se izvodi čak i sa malim skupovima podataka, za razliku od standardnih.
Uprkos centralnoj ulozi fizike u kvantnom računarstvu, dosadašnji problem kretanja za istraživače fizike nije rešen kvantnim računarskim tehnikama. U ovom novom radu, istraživači su uspješno izvadili značajne informacije o Higgsovim česticama programiranjem kvantnog anlealera – tipa kvantnog računara koji je u mogućnosti da pokreće samo optimizacijske zadatke – da razvrsta podatke o mjerama čestica zaglavljenim greškama. Caltehova Maria Spiropulu, Shang-Yi Ch’en profesor fizike, osnovao je projekat i sarađivao sa Danielom Lidarom, pionirom metodologije kvantnog mašinskog učenja i Viterbijem profesorom za inženjering na USC-u, koji je takođe ugledni naučnik Moore u fizici sa Caltecha , Matematiku i astronomiju i inženjerstvo i primenjenu nauku.
Kvantni program traži obrasce u okviru skupa podataka da bi značajne podatke rastavio od smeća. Očekuje se da će biti koristan za probleme izvan fizike visoke energije. Detalji programa, kao i upoređivanje sa postojećim tehnikama, detaljno su opisani u radu objavljenom 19. oktobra u časopisu Nature.
Popularna tehnika računarstva za klasifikaciju podataka je metod neuronske mreže, poznat po svojoj efikasnosti u izvlačenju nejasnih šablona unutar skupa podataka. Uzorke koje identifikuju neuronske mreže teško je tumačiti, pošto proces klasifikacije ne otkriva kako su otkriveni. Tehnike koje dovode do bolje interpretacije često su pogrešne i manje efikasne.
“Neki ljudi iz fizike visoke energije napreduju sa neuronskim mrežama, ali neuronske mreže se ne mogu lako interpretirati sa fizičarem”, kaže student USC-a za studije fizike Joshua Job, koautor časopisa i gost u Caltech-u. Novi kvantni program je “jednostavan model računarskog učenja koji postiže rezultat uporediv sa komplikovanijim modelima bez gubitka robusnosti ili interpretabilnosti”, kaže Job.
Sa prethodnim tehnikama, tačnost klasifikacije zavisi od veličine i kvaliteta setova obuke, što je ručno sortiran deo skupa podataka. Ovo je problematično za istraživanje fizike visoke energije, koje se vrti oko retkih događaja zakopanih u velikoj količini podataka o šumovima. “Veliki Hadronski kolider generiše veliki broj događaja, a fizičari čestica moraju pogledati male pakete podataka kako bi shvatili koji su interesantni”, kaže Job. Novi kvantni program “je jednostavniji, uzima vrlo malo podataka o obuci i može biti čak i brži. To smo stekli uključivanjem uzbuđenih stanja”, kaže Spiropulu.
Uzbuđena stanja kvantnog sistema imaju višak energije koja doprinosi greškama u izlazu. “Iznenađujuće je da je bilo korisno koristiti uzbuđena stanja, suboptimalna rješenja”, kaže Lidar.
“Zašto je to tačno, možemo samo spekulisati, ali jedan od razloga možda je da stvarni problem koji moramo riješiti nije precizno reprezentativan na kvantnom anlealeru, zbog čega bi potonoptimalna rješenja mogla biti bliža istini”, kaže Lidar .
Modeliranje problema na način na koji kvantni analnier može razumeti pokazao se kao značajan izazov koji je uspješno rešio Spiropuluov bivši diplomirani student na Caltech-u, Alex Mott (PhD ’15), koji je sada na DeepMind-u. “Programski kvantni kompjuteri se fundamentalno razlikuju od klasičnih računarskih programa, to su kao direktni kodni bitovi, a čitav problem mora biti kodiran istovremeno, a onda se pokreće samo jednom što je programirano”, kaže Mott.
Uprkos poboljšanjima, istraživači ne tvrde da su kvantni aneleri superiorniji. Oni koji su trenutno dostupnu su jednostavno “ne dovoljno veliki da čak kodiraju fizičke probleme dovoljno teško da pokažu bilo kakvu prednost”, kaže Spiropulu.
“To je zato što upoređujemo hiljadu kubika-kvantnih bitova informacija – milijardi tranzistora”, kaže Jean-Roch Vlimant, postdoktorski naučnik iz fizike visoke energije u kompaniji Caltech. “Složenost simuliranog žarenja će u jednom trenutku eksplodirati i nadamo se da će kvantno žarenje takođe ponuditi ubrzanje”, kaže Vlimant.
Istraživači aktivno traže nove primjene nove klasifikacije kvantnih žarenja. “Uspeli smo da demonstriramo vrlo sličan rezultat u sasvim drugom domenu primjene primjenom iste metodologije na problem u računskoj biologiji”, kaže Lidar. “Postoji još jedan projekat za praćenje čestica provode koje koriste ovakve metode, a mi tražimo nove načine ispitivanja naelektrisanih čestica “, kaže Vlimant.” Rezultat ovog rada je pristup zasnovan na fizičkom nivou za mašinsko učenje koje bi moglo imati koristi od širokog spektra nauke i drugih aplikacija ” kaže Spiropulu. “Postoji puno uzbudljivih radova i otkrića na ovoj nastaloj interdisciplinarnoj areni nauke i tehnologije, zaključuje ona. Ovaj projekat je podržan od strane Ministarstva energetike Sjedinjenih Država, Kancelarije fizike visoke energije, istraživanja Tehnologija, Računarski HEP; i Fermi National Accelerator Laboratorija, kao i Nacionalna naučna fondacija. Rad je takođe podržan od AT & T Foundry Innovation Centara kroz INQNET (INtelligent Quantum NEtworks and Technologies), program za ubrzanje kvantnih tehnologija. Napisao Mark H. Kim
Izvor: http://www.caltech.edu/news/physics-boosts-artificial-intelligence-methods-80127
