О Cozzarelli Prize
Награду учредили в 2005 году как премию за лучшую статью года, а в 2007 присвоили ей имя покойного главного редактора журнала PNAS Национальной академии наук США Николаса Коццарелли. Ежегодно совет журнала объявляет список научных работ, удостоившихся премии за прошедший год.
В этом году жюри премии рассмотрело более 3000 научных статей, опубликованных в журнале в прошлом году и относящихся к шести предметным областям, на изучении которых сфокусирована Национальная академия наук США. Это физика и математика; биологические науки; инженерные и прикладные науки; биомедицинские науки; поведенческие и социальные науки; а также прикладные биологические, сельскохозяйственные и экологические науки. Ознакомиться с полным списком лауреатов премии 2018 года можно по ссылке.
Награждение лауреатов состоится 28 апреля на торжественной церемонии во время ежегодного собрания Национальной академии наук США в Вашингтоне, округ Колумбия.
Машинное обучение для квантовых экспериментов: как это работает?
Одним из обладателей премии в области физики и математики в этом году стал российский молодой ученый Алексей Мельников. Награда ему и шести его соавторам присуждена за работу под названием «Active learning machine learns to create new quantum experiments». В статье ученые исследовали, как можно ускорить открытия в области квантовой физики, используя машинное обучение с подкреплением.
Как отмечает Алексей Мельников, глобальная идея работы в том, чтобы те физические задачи, которые мы сегодня считаем интеллектуальными и сложными, решала машина. Одна из таких задач — это планирование и дизайн квантовых экспериментов, которые проводятся в оптической лаборатории. Это, в частности, эксперименты с одиночными фотонами, главной задачей в которых является получение состояний максимальной квантовой запутанности для реальных систем большой размерности. Это важно для создания практических приложений для квантовых вычислений, квантовой коммуникации и криптографии.
Достичь таких состояний очень сложно. Для этого в квантовых лабораториях используются специальные установки, а задача специалистов — в первую очередь разработать дизайн эксперимента, который будет отвечать поставленным задачам. Пока для этого используются достаточно стандартные подходы: логика, имеющийся опыт и известные результаты, расчет и моделирование экспериментов. Все это специалисты пытаются скомбинировать, зачастую довольно креативным образом, чтобы получить способ, который может работать. Однако по мере усложнения технологий такой «ручной» подход использовать все сложнее. В последние годы появилась необходимость создания алгоритмов, которые возьмут эти задачи на себя и будут автономно осуществлять дизайн экспериментов.
Попытки разработки алгоритмов оптимизации предпринимались и ранее, однако все они сводились, по сути, к простому перебору различных возможностей и поиском среди них какого-то потенциально рабочего варианта, рассказывает Алексей Мельников. В своем исследовании, работа над которым продолжалась более двух лет, он вместе с группой ученых из Инсбрукского и Венского университетов впервые предложил метод, позволяющий применить машинное обучение с подкреплением для дизайна экспериментов. Теперь машина сама перебирает варианты, учась на своих успехах и ошибках, и помогает найти лучший эксперимент. По результатам моделирования, этот подход оказался в восемь раз эффективнее, чем известные ранее алгоритмы оптимизации. Но самым главным достижением метода Алексей Мельников называет не эффективность. Ученым удалось вывести на другой уровень само качество экспериментов.
«Если предыдущие подходы находили какой-то рабочий эксперимент, то наш подход пытается найти именно самый простой эксперимент. Почему это важно? Представьте, что определенную задачу можно решить на огромном оптическом столе с очень сложными комбинациями элементов, где к тому же из-за большого масштаба нередко могут возникнуть различные помехи, а можно то же самое сделать очень простым способом — на небольшом столе и с гораздо меньшими помехами. Конечно, экспериментаторам лучше минимизировать помехи и делать более простые вещи. И мы выяснили, что обучение с подкреплением как раз очень хорошо для этого подошло. Причем в процессе обучения машина учится находить лучшие техники из тех, что использовались экспериментаторами достаточно долго и в свое время были добыты достаточно сложным путем», — комментирует Алексей Мельников.
Он добавляет, что в перспективе ученые намерены продолжать и расширять исследование. Многие группы уже начали применять похожие подходы, что говорит о перспективах дальнейшего развития метода, в том числе с точки зрения применения его к другим экспериментам в областях квантовых вычислений и квантовой коммуникации.
Исследования в Университете ИТМО
В Университете ИТМО Алексей Мельников работает с научной группой Александра Алоджанца, профессора факультета лазерной фотоники и оптоэлектроники, ведущего научного сотрудника целевой поисковой лаборатории квантовой когнитивистики и интеллектуальных систем. Ученый является руководителем междисциплинарного проекта, реализуемого в рамках Проекта 5-100, «Искусственные когнитивные системы на квантовых принципах», а также международного проекта при поддержке РФФИ «Машинное обучение для гибридной квантовой обработки информации и метрологии».
Как отмечает Александр Алоджанц, целью проекта «Искусственные когнитивные системы на квантовых принципах» является разработка квантовых алгоритмов для задач поиска информации, квантового транспорта в сложно структурированных системах и графах, а также их оптимизация на основе методов машинного обучения. В рамках работы исследователи поставили перед собой две ключевые задачи.
Во-первых, это создание новой прикладной информационной технологии, основанной на улучшении существующих методов информационного поиска, семантической разметки и индексации, ранжирования текстовых документов за счет использования моделей квантовой логики, применяемой для моделирования когнитивных состояний человека, а также оптимизация полученных результатов при помощи применения методов машинного обучения. А во-вторых, это разработка систем распознавания временной сложности, быстродействия определенного класса физических алгоритмов квантового случайного блуждания на графах методами машинного обучения. Решением последнего вопроса занимается непосредственно Алексей Мельников.
«В этом году проект заканчивается, поэтому основные результаты уже "на поверхности". Основным практическим результатом является прототип информационно-поисковой системы (ИПС) с использованием разработанных комбинированных методов и подходов к обработке информации. Основным теоретическим результатом, над которым мы работаем с Алексеем, будет система обучения и распознавания графовых структур, демонстрирующих квантовое превосходство в решении тех или иных практических задач. Сама постановка такой задачи абсолютно уникальна и не имеет аналогов в мире. То есть наша система позволяет с высокой математической вероятностью предсказывать эффективность вычислений на квантовом симуляторе (или даже квантовом компьютере) с учетом его определенной архитектуры, иными словами ответить на принципиальный вопрос: можем ли мы при использовании квантового устройства получить желаемое ускорение или нет», — комментирует Александр Алоджанц.
Результаты работы изложены в статье (Alexey A. Melnikov, Leonid E. Fedichkin, Alexander Alodjants, «Detecting quantum speedup by quantum walk with convolutional neural networks»).
«В январе мы закончили работу, где показали, что машинный интеллект обучился и смог выступать в качестве эксперта, который говорит, где можно искать квантовое ускорение, а где нет. Представьте: вы собрали дорогостоящую установку (например, квантовый симулятор), но есть ли толк от того, что она квантовая или лучше использовать классические методы? Сегодня это очень важный и острый вопрос. Например, в США есть ряд компаний, которые заявляют, что они создали квантовый компьютер и, более того, уже его продают. Но неизвестно, превосходит ли такой компьютер классические методы, — рассказывает Алексей Мельников. — Есть парадигма квантового ускорения на графах, но не все так очевидно: если мы посмотрим на один граф, мы не сможем сходу сказать, будет ли ускорение на этом графе или нет. Некоторые эксперты могут это сделать, хотя интуиция может подвести и их. Поэтому неплохо было бы иметь автоматизированную систему, алгоритм, который приобретет знания экспертов. И нам удалось сделать такой алгоритм, то есть машинное обучение помогло нам понять, где есть квантовое ускорение, а где нет».
Исследователь добавляет, что в ближайшее время ученые также планируют развивать полученные результаты. Еще один проект «Машинное обучение для гибридной квантовой обработки информации и метрологии», реализуемый при поддержке Российского фонда фундаментальных исследований, стартует уже в этом году. Его ключевым результатам должна стать разработка «смарт» датчиков, а также сенсоров, работающих за стандартным квантовым пределом чувствительности измерений. Проект рассчитан на три года.
«В лаборатории “Квантовой когнитивистики и интеллектуальных систем” Университета ИТМО я работаю с прошлого года, хотя я и раньше общался с коллегами из петербургского вуза, потому что у нас было много общих научных интересов. В работе здесь меня привлекает прежде всего интересная тематика исследований. Специалисты лаборатории не решают какие-то текущие инженерные задачи, а смотрят в будущее, они заинтересованы в том, чтобы разрабатывать новые перспективные методы и подходы. Лаборатория работает в широкой, междисциплинарной области, где, на мой взгляд, можно получить много новых, интересных результатов и действительно осуществить ряд научных прорывов», — резюмирует Алексей Мельников.
