Fysikere udvider kvantemaskinlæring til uendelige dimensioner

Fysikere har udviklet en algoritme for kvantemaskineindlæring, der kan håndtere uendelige dimensioner - det vil sige det fungerer med kontinuerlige variabler (som har et uendeligt antal mulige værdier på et lukket interval) i stedet for de typisk anvendte diskrete variabler (som kun har et begrænset antal værdier).

Forskerne, Hoi-Kwan Lau et al., har udgivet et papir om generalisering af kvantemaskinlæring til uendelige dimensioner i et nyligt nummer af Fysisk gennemgangsbreve .

Som fysikerne forklarer, kvantemaskinlæring er et nyt underfelt inden for kvanteinformation, der kombinerer kvanteberegningens hastighed med evnen til at lære og tilpasse sig, som tilbydes af machine learning.

En af de største fordele ved at have en kvantemaskinlæringsalgoritme til kontinuerlige variabler er, at den teoretisk set kan fungere meget hurtigere end klassiske algoritmer. Da mange videnskabelige og tekniske modeller involverer kontinuerlige variabler, anvendelse af kvantemaskinlæring på disse problemer kan potentielt have vidtrækkende applikationer.

"Vores arbejde viser evnen til at drage fordel af fotonik til at udføre maskinlæringsopgaver på en kvantecomputer, der langt kunne overstige hastigheden på enhver konventionel computer, "fortalte medforfatter George Siopsis ved University of Tennessee Phys.org . "Quantum machine learning tilbyder også potentielle fordele såsom lavere energibehov på grund af evnen til at gemme flere oplysninger pr. Qubit, og en meget lav pris pr. qubit sammenlignet med andre teknologier. "

De fleste algoritmer, der er udviklet til kvantemaskineindlæring, fungerer kun med problemer, der involverer diskrete variabler. Anvendelse af kvantemaskinlæring til kontinuerligt variable problemer kræver en meget anderledes tilgang.

At gøre dette, fysikerne måtte udvikle et nyt sæt værktøjer, der arbejder med kontinuerlige variabler. Dette indebærer udskiftning af de logiske porte, der bruges til diskrete-variable tilstande med fysiske porte, som fungerer for kontinuerlige variable tilstande. Bygger op fra disse grundlæggende byggesten i algoritmen, forskerne udviklede derefter nye metoder, der driver kvantemaskinelæringsproblemer, kaldet underrutiner, som er repræsenteret ved matricer og vektorer.

Selvom undersøgelsens resultater er rent teoretiske, fysikerne forventer, at den nye algoritme til kontinuerlige variabler kan implementeres eksperimentelt ved hjælp af aktuelt tilgængelig teknologi. Implementeringen kan udføres på flere måder, f.eks. ved hjælp af optiske systemer, spin -systemer, eller fangede atomer. Uanset systemtype, implementeringen ville være udfordrende. For eksempel, en optisk implementering, som forskerne skitserede her, ville kræve nogle af de nyeste teknologier, såsom "katstater" (en superposition af "0" og "1" -tilstande) og høje klemhastigheder (for at reducere kvantestøj).

I fremtiden, forskerne håber yderligere at undersøge, hvordan kontinuerlig variabel kvantemaskinlæring kan udvides til at replikere nogle af de seneste resultater med diskrete variabler. En anden interessant vej at forfølge er en hybrid tilgang, som ville kombinere metoderne for både diskrete og kontinuerlige variabler i en enkelt algoritme.

© 2017 Phys.org