Физики применяют методы искусственного интеллекта

Исследователи из Caltech и Университета Южной Калифорнии (USC) сообщают о первом применении квантовых вычислений к физическим законам. Используя квантово-совместимые методы машинного обучения, они разработали метод извлечения редкого сигнала бозона Хиггса из обильных данных шума. Хиггс — это частица, которая была предсказана, чтобы наполнить элементарные частицы массой и была обнаружена на Большом адронном коллайдере в 2012 году. Новый метод обучения квантовой машиной, как оказалось, хорошо работает даже с небольшими наборами данных, в отличие от стандартных аналогов.
Физики применяют методы искусственного интеллекта
Несмотря на центральную роль физики в квантовых вычислениях, до сих пор проблемы, представляющие интерес для исследователей, не были решены методами квантовых вычислений. В этой новой работе исследователи успешно извлекли значимую информацию о частицах Хиггса путем программирования квантового отжига — типа квантового компьютера, способного выполнять только задачи оптимизации, — сортировать данные измерений частиц, замусоренные ошибками. Калтех Мария Спиропулу, профессор физики Шан-Йи Чен, задумала проект и сотрудничала с Даниэлем Лидаром, пионером методологии квантового машинного обучения и профессором инженеров Витерби в USC, который также является ученым в подразделении физики Caltech , Математика и астрономия.
Квантовая программа ищет шаблоны в наборе данных для определения значимых данных из мусора. Ожидается, что он будет полезен для работ, выходящих за рамки физики высоких энергий. Детали программы, а также сравнения с существующими методами подробно описаны в документе, опубликованном 19 октября в журнале Nature .
Популярной вычислительной техникой для классификации данных является метод нейронной сети, известный своей эффективностью в извлечении неясных шаблонов в наборе данных. Модели, идентифицированные нейронными сетями, трудно интерпретировать, поскольку процесс классификации не показывает, как они были обнаружены. Методы, которые приводят к лучшей интерпретируемости, часто более склонны к ошибкам и менее эффективны.
«Некоторые люди в физике высоких энергий опережают себя в отношении нейронных сетей, но нейронные сети нелегко интерпретировать физику», — говорит аспирант физики USC Джошуа Иова, соавтор статьи и приглашенный студент в Caltech. Новая квантовая программа — «простая модель машинного обучения, которая обеспечивает результат, сопоставимый с более сложными моделями, не теряя при этом надежности или интерпретируемости», — говорит Джоб.
С помощью предшествующих методов точность классификации сильно зависит от размера и качества обучающего набора, который представляет собой отсортированную вручную часть набора данных. Это проблематично для исследований физики высоких энергий, которые вращаются вокруг редких событий, зарытых в большом количестве данных о шуме. «Большой адронный коллайдер генерирует огромное количество событий, и физикам частиц приходится смотреть на небольшие пакеты данных, чтобы выяснить, какие из них интересны», — говорит Джоб. Новая квантовая программа «проще, занимает очень мало учебных данных и может быть даже быстрее. Мы получили это, включив возбужденные состояния», — говорит Спиропулу.
Возбужденные состояния квантовой системы имеют избыточную энергию, что способствует ошибкам в выходе. «Удивительно, но было выгодно использовать возбужденные состояния, субоптимальные решения», — говорит Лидар.
«Почему именно так, мы можем только предполагать, но одна причина может заключаться в том, что реальная проблема, которую мы должны решить, не является точно представимой на квантовом отжиге, из-за чего субоптимальные решения могут быть ближе к истине», — говорит Лидар ,
Моделирование проблемы таким образом, чтобы понять квантовый отжиг, оказалось серьезной проблемой, которую успешно преодолел бывший аспирант Спиропулу в Caltech, Алекс Мотт (PhD ’15), который сейчас находится в DeepMind. «Программирование квантовых компьютеров принципиально отличается от программирования классических компьютеров. Это похоже на кодирование битов напрямую. Вся проблема должна быть закодирована сразу, а затем она запускается только один раз, как запрограммировано», — говорит Мотт.
Несмотря на улучшения, исследователи не утверждают, что квантовые отживы превосходят их. Имеющиеся в настоящее время просто «недостаточно велики, чтобы даже кодировать проблемы физики достаточно сложно, чтобы продемонстрировать какое-либо преимущество», — говорит Спиропулу.
«Это потому, что мы сравниваем тысячу кубитов — квантовые бит информации — с миллиардами транзисторов», — говорит Жан-Рох Влимант, докторант по физике высоких энергий в Калтех. «Сложность симулированного отжига в какой-то момент взорвется, и мы надеемся, что квантовый отжиг также обеспечит ускорение», — говорит Влимант.
Исследователи активно ищут применение новых методов классификации квантового отжига. «Мы смогли продемонстрировать очень похожий результат в совершенно другой области приложений, применив ту же методологию к проблеме в вычислительной биологии», — говорит Лидар. «Существует еще один проект по усовершенствованию отслеживания частиц с использованием таких методов, и мы ищем новые способы изучения заряженных частиц», — говорит Влимант.
«Результатом этой работы является основанный на физике подход к компьютерному обучению, который может принести пользу широкому спектру науки и других приложений», — говорит Спиропулу. «В этой возникающей междисциплинарной области науки и техники есть много интересных работ и открытий, — заключает она.


Еще интересно почитать: