Kvantecomputere tackler big data med maskinlæring

Hvert andet sekund, sensorer, der måler USAs elektriske net, indsamler 3 petabyte data - svarende til 3 millioner gigabyte. Dataanalyse på den skala er en udfordring, når vigtige oplysninger lagres i en utilgængelig database.

Men forskere ved Purdue University arbejder på en løsning, kombinerer kvantealgoritmer med klassisk computing på små kvantecomputere for at fremskynde databasetilgængeligheden. De bruger data fra U.S. Department of Energy National Labs 'sensorer, kaldet fasormåleenheder, der indsamler oplysninger om det elektriske net om spændinger, strøm og elproduktion. Fordi disse værdier kan variere, at holde elnettet stabilt indebærer løbende overvågning af sensorerne.

Sabre Kais, professor i kemisk fysik og hovedforsker, vil lede bestræbelserne på at udvikle nye kvantealgoritmer til beregning af de omfattende data, der genereres af det elektriske net.

"Ikke-kvantealgoritmer, der bruges til at analysere dataene, kan forudsige gitterets tilstand, men efterhånden som flere og flere fasormåleenheder indsættes i det elektriske netværk, vi har brug for hurtigere algoritmer, sagde Alex Pothen, professor i datalogi og medforsker om projektet. "Kvantealgoritmer til dataanalyse har potentiale til at fremskynde beregningerne væsentligt i teoretisk forstand, men der er stadig store udfordringer ved at opnå kvantecomputere, der kan behandle så store datamængder. "

Forskerteamets metode har potentiale til en række praktiske anvendelser, såsom at hjælpe industrier med at optimere deres supply chain og logistikstyring. Det kan også føre til ny kemisk og materiel opdagelse ved hjælp af et kunstigt neuralt netværk kendt som en kvanteboltzmann -maskine. Denne form for neuralt netværk bruges til maskinlæring og dataanalyse.

"Vi har allerede udviklet en hybrid kvantealgoritme, der anvender en kvante Boltzmann -maskine til at opnå nøjagtige elektroniske strukturberegninger, "Kais sagde." Vi har bevis på konceptet, der viser resultater for små molekylære systemer, som giver os mulighed for at screene molekyler og fremskynde opdagelsen af ​​nye materialer. "

Et papir, der skitserede disse resultater, blev offentliggjort onsdag i tidsskriftet Naturkommunikation .

Maskinlæringsalgoritmer er blevet brugt til at beregne de omtrentlige elektroniske egenskaber for millioner af små molekyler, men at navigere i disse molekylære systemer er udfordrende for kemiske fysikere. Kais og medforsker Yong Chen, direktør for Purdue Quantum Center og professor i fysik og astronomi og i elektrisk og edb -teknik, er overbeviste om, at deres algoritme for kvantemaskineindlæring kunne løse dette.

Deres algoritmer kan også bruges til optimering af solcelleanlæg. En solfarms levetid varierer afhængigt af klimaet, da solceller hvert år nedbrydes af vejret, ifølge Muhammad Alam, professor i el- og computerteknik og en medforsker af projektet. Brug af kvantealgoritmer ville gøre det lettere at bestemme levetiden for solparker og andre bæredygtige energiteknologier for en given geografisk placering og kunne bidrage til at gøre solteknologier mere effektive.

Derudover teamet håber at lancere et eksternt finansieret industri-universitet kollaborativt forskningscenter (IUCRC) for at fremme yderligere forskning i kvantemaskinlæring til dataanalyse og optimering. Fordelene ved et IUCRC inkluderer at udnytte akademiske-virksomheders partnerskaber, udvidelse af materialevidenskabelig forskning, og handle på markedsincitament. Yderligere forskning i kvantemaskinlæring til dataanalyse er nødvendig, før den kan bruges til industrier til praktisk anvendelse, Chen sagde, og en IUCRC ville gøre håndgribelige fremskridt.

"Vi er tæt på at udvikle de klassiske algoritmer til denne dataanalyse, og vi forventer, at de bliver brugt meget, "Sagde Pothen." Kvantealgoritmer er med høj risiko, forskning med høj belønning, og det er svært at forudsige inden for hvilken tidsramme disse algoritmer vil finde praktisk anvendelse. "

Teamets forskningsprojekt var et af otte udvalgt af Purdue's Integrative Data Science Initiative, der skulle finansieres for en toårig periode. Initiativet vil tilskynde til tværfagligt samarbejde og bygge på Purdues styrker til at positionere universitetet som førende inden for datavidenskabelig forskning og fokusere på et af fire områder:sundhedspleje; forsvar; etik, samfund og politik; grundlæggende, metoder, og algoritmer. Forskningspunkterne i Integrative Data Science Initiative er vært for Purdue's Discovery Park.

"Dette er en spændende tid at kombinere maskinlæring med kvanteberegning, "Sagde Kais." Der er for nylig gjort imponerende fremskridt med at bygge kvantecomputere, og kvantemaskineindlæringsteknikker vil blive effektive værktøjer til at finde nye mønstre i big data. "