Forskere forbedrer kvantemaskinelæringsalgoritmer

En professor ved Florida State University kan hjælpe kvantecomputere med at opfylde sit løfte som et kraftfuldt beregningsværktøj.

William Oates, Cummins Inc. Professor i Mechanical Engineering og formand for Department of Mechanical Engineering ved FAMU-FSU College of Engineering, og postdoc-forsker Guanglei Xu fandt en måde at automatisk udlede parametre, der bruges i en vigtig kvante Boltzmann-maskinealgoritme til maskinlæringsapplikationer.

Deres resultater blev offentliggjort i Videnskabelige rapporter .

Arbejdet kunne hjælpe med at bygge kunstige neurale netværk, der kunne bruges til at træne computere til at løse komplicerede, indbyrdes forbundne problemer som billedgenkendelse, opdagelse af lægemidler og skabelse af nye materialer.

"Der er en tro på, at kvanteberegning, efterhånden som det kommer online og vokser i regnekraft, kan give dig nogle nye værktøjer, men at finde ud af, hvordan man programmerer det, og hvordan man anvender det i visse applikationer, er et stort spørgsmål, " sagde Oates.

Kvantebits, i modsætning til binære bits i en standardcomputer, kan eksistere i mere end én tilstand ad gangen, et begreb kendt som superposition. Måling af tilstanden af ​​en kvantebit – eller qubit – får den til at miste den specielle tilstand, så kvantecomputere arbejder ved at beregne sandsynligheden for en qubits tilstand, før den observeres.

Specialiserede kvantecomputere kendt som kvanteudglødninger er et værktøj til at udføre denne type databehandling. De fungerer ved at repræsentere hver tilstand af en qubit som et energiniveau. Den laveste energitilstand blandt dens qubits giver løsningen på et problem. Resultatet er en maskine, der kunne håndtere komplicerede, indbyrdes forbundne systemer, der ville tage en almindelig computer meget lang tid at beregne – som at bygge et neuralt netværk.

En måde at bygge neurale netværk på er ved at bruge en begrænset Boltzmann-maskine, en algoritme, der bruger sandsynlighed til at lære baseret på input givet til netværket. Oates og Xu fandt en måde til automatisk at beregne en vigtig parameter forbundet med effektiv temperatur, der bruges i den algoritme. Begrænsede Boltzmann-maskiner gætter typisk på den parameter i stedet, som kræver test for at bekræfte og kan ændres, når computeren bliver bedt om at undersøge et nyt problem.

"Den parameter i modellen replikerer, hvad kvanteudglødningen gør, " sagde Oates. "Hvis du kan vurdere det nøjagtigt, du kan træne dit neurale netværk mere effektivt og bruge det til at forudsige ting."