ニューラルネットワークは、量子物理学に基づいたコンピューターのエラー補正戦略の学習を可能にします
量子コンピューターは、従来のコンピューターの機能を超えた複雑なタスクを解決できます。ただし、量子状態は環境からの絶え間ない干渉に非常に敏感です。計画は、量子誤差補正に基づいて積極的な保護を使用してこれと戦うことです。 Max Planck Institute for the Science of LightのディレクターであるFlorian Marquardtと彼のチームは、現在、学習可能な量子エラー補正システムを提示しました。人工知能。
2016年、コンピュータープログラムのAlphagoは、Goの5ゲームのうち4ゲームで世界最高の人間プレーヤーに勝ちました。 GOのゲームには、宇宙の原子であると推定されるよりも多くの動きの組み合わせがあることを考えると、これには単なる処理能力以上のものが必要でした。むしろ、アルファゴは使用しました人工ニューラルネットワーク、視覚的なパターンを認識し、学習することさえできます。人間とは異なり、プログラムは短時間で数十万のゲームを練習することができ、最終的には最高の人間のプレーヤーを上回りました。現在、Erlangenに拠点を置く研究者は、この種のニューラルネットワークを使用して、量子コンピューターのエラー修正学習を開発しています。
人工ニューラルネットワークは、相互接続された神経細胞（ニューロン）の挙動を模倣するコンピュータープログラムです。Erlangenの研究の場合、約2,000人の人工ニューロンが互いに接続されています。 「私たちはコンピューターサイエンスから最新のアイデアを取り、物理システムに適用します」とFlorian Marquardt氏は説明します。 「そうすることで、人工知能の分野での急速な進歩から利益を得ています。」
人工ニューラルネットワークは、他のエラー補正戦略を上回る可能性があります
アプリケーションの最初の領域は、最近の論文で示されているように、ErlangenのMax Planck Instituteの博士課程の学生であるThomasFöselによる重要な貢献を含む量子コンピューターです。論文では、チームは、アルファゴ風のアーキテクチャを持つ人工ニューラルネットワークが学習できることを実証しています - それ自体では、将来の量子コンピューターの運用に不可欠なタスクを実行する方法：量子エラー修正。十分なトレーニングで、このアプローチが他のエラー補正戦略を上回るという見通しさえあります。
それが何を伴うかを理解するには、量子コンピューターの仕組みを見る必要があります。量子情報の基礎は、量子ビット、またはqubitです。従来のデジタルビットとは異なり、Qubitは2つの状態ゼロと1つだけでなく、両方の状態の重ね合わせも採用できます。量子コンピューターのプロセッサでは、共同状態の一部として重ねられた複数のキュービットさえあります。このエンタングルメントは、従来のコンピューターが失敗する運命にある特定の複雑なタスクを解決することになると、量子コンピューターの途方もない処理能力を説明しています。欠点は、量子情報が環境からのノイズに非常に敏感であることです。量子世界のこれおよびその他の特性は、量子情報が定期的な修理、つまり量子誤差補正を必要とすることを意味します。ただし、これに必要な操作は複雑であるだけでなく、量子情報自体をそのまま残す必要があります。
Quantum Error-Correctionは奇妙なルールを使用したゲームのようなものです
「量子コンピューターの要素は、ゴーボードのようなものだと想像できます」とMarquardt氏は言います。キュービットは、ピースのようにボード全体に配布されます。ただし、従来のゲームとは特定の重要な違いがあります。すべてのピースはすでにボードの周りに配布されており、それぞれが片側に白、もう片方は黒です。 1つの色は状態ゼロに、もう1つと1つに対応し、Quantum Goのゲームでの動きには、ピースを裏返します。量子世界の規則によれば、ピースは灰色の混合色を採用することもできます。これは、量子状態の重ね合わせと絡み合いを表しています。
ゲームをプレイすることになると、プレーヤー - 私たちは彼女をアリスと呼びます - は、特定の量子状態を表すパターンを保存することを目的とした動きをします。これらは、量子エラー補正操作です。それまでの間、彼女の相手はパターンを破壊するためにできる限りのことをします。これは、実際のQubitsが彼らの環境から経験する干渉の干渉からの絶え間ないノイズを表しています。さらに、Quantum Goのゲームは、独特の量子ルールによって特に困難になります。アリスは、ゲーム中にボードを見ることができません。彼女にキュービットピースの状態を明らかにする垣間見ると、ゲームが現在占めている敏感な量子状態を破壊します。問題は、これにもかかわらず、彼女はどのようにして正しい動きをすることができますか？
補助キュービットは、量子コンピューターの欠陥を明らかにします
量子コンピューターでは、この問題は、実際の量子情報を保存するキュービット間に追加のキュービットを配置することで解決されます。これらの補助キュービットの状態を監視するために時折測定することができ、Quantum Computerのコントローラーが障害がどこにあるかを識別し、それらの領域の情報キャリーキュービットの補正操作を実行することができます。私たちのQuantum Goのゲームでは、補助Qubitsは、実際のゲームピースの間に配布される追加のピースで表されます。アリスは時々見ることができますが、これらの補助作品でのみ。
Erlangenの研究者の仕事では、アリスの役割は人工ニューラルネットワークによって実行されます。アイデアは、トレーニングを通じて、ネットワークはこの役割が非常に優れているため、インテリジェントな人間の心によって考案された補正戦略を上回ることさえできるということです。ただし、チームが5つのシミュレートされたキュービット（従来のコンピューターにとってまだ管理しやすい」を含む例を研究したとき、1つの人工ニューラルネットワークだけでは不十分であることを示すことができました。ネットワークは、量子ビットの状態、またはむしろQuantum Goのゲームに関する少量の情報しか収集できないため、ランダムな試行錯誤の段階を超えることはありません。最終的に、これらの試みはそれを復元する代わりに量子状態を破壊します。
あるニューラルネットワークは、その事前知識を使用して別のネットワークをトレーニングします
ソリューションは、最初のネットワークの教師として機能する追加のニューラルネットワークの形で提供されます。制御される量子コンピューターの事前の知識により、この教師ネットワークは他のネットワーク（その学生）をトレーニングすることができ、したがって、量子補正の成功への試みを導くことができます。ただし、最初に、教師ネットワーク自体は、量子コンピューターまたは制御されるコンポーネントについて十分に学習する必要があります。
原則として、人工ニューラルネットワークは、自然なモデルと同様に、報酬システムを使用してトレーニングされます。実際の報酬は、量子誤差補正によって元の量子状態を正常に復元するために提供されます。 「しかし、この長期的な目的の達成だけが報酬を与えた場合、それは多数の修正の試みで遅すぎる段階になるでしょう」とMarquardtは説明します。したがって、Erlangenに拠点を置く研究者は、トレーニング段階でさえ、教師ニューラルネットワークを奨励するために有望な戦略を採用する報酬システムを開発しました。 Quantum Goのゲームでは、この報酬システムは、詳細を提供することなく、特定の時間にゲームの一般的な状態を示すことをアリスに提供します。
学生ネットワークは、独自の行動を通じて教師を上回ることができます
「私たちの最初の目的は、教師ネットワークがさらに人間の援助なしで成功した量子エラー補正操作を実行することを学ぶことでした」とMarquardt氏は言います。学校の学生ネットワークとは異なり、教師ネットワークは測定結果だけでなく、コンピューターの全体的な量子状態にも基づいてこれを行うことができます。教師ネットワークによってトレーニングされた学生ネットワークは、最初は等しく優れていますが、独自の行動を通じてさらに良くなる可能性があります。
量子コンピューターのエラー修正に加えて、Florian Marquardtは人工知能のための他のアプリケーションを想定しています。彼の意見では、物理学は、人工ニューラルネットワークによるパターン認識の使用から利益を得ることができる多くのシステムを提供します。
参照：「量子フィードバックのためのニューラルネットワークによる補強学習」トーマス・フェル、ペトル・ティグニヌ、タリサ・ワイス、フロリアン・マルカード、2018年9月27日物理レビューx。
doi：10.1103/physrevx.8.031084
ブレークスルーを見逃さないでください：