Teori antyder, at kvantecomputere bør være eksponentielt hurtigere til nogle læringsopgaver end klassiske maskiner

Et team af forskere tilknyttet flere institutioner i USA, herunder Google Quantum AI, og en kollega i Australien, har udviklet en teori, der tyder på, at kvantecomputere burde være eksponentielt hurtigere til nogle læringsopgaver end klassiske maskiner. I deres papir offentliggjort i tidsskriftet Science , beskriver gruppen deres teori og resultater, når de blev testet på Googles Sycamore kvantecomputer. Vedran Dunjko med Leiden University City har udgivet et Perspective-stykke i samme tidsskriftsudgave, der beskriver ideen bag at kombinere kvantecomputere med maskinlæring for at give et nyt niveau af computerbaserede læringssystemer.

Machine learning er et system, hvor computere trænet med datasæt foretager informerede gæt om nye data. Og kvanteberegning involverer at bruge subatomære partikler til at repræsentere qubits som et middel til at udføre applikationer mange gange hurtigere, end det er muligt med klassiske computere. I denne nye indsats overvejede forskerne ideen om at køre maskinlæringsapplikationer på kvantecomputere, hvilket muligvis ville gøre dem bedre til at lære og dermed mere nyttige.

For at finde ud af, om ideen kunne være mulig, og endnu vigtigere, hvis resultaterne ville være bedre end dem, der blev opnået på klassiske computere, stillede forskerne problemet på en ny måde - de udtænkte en maskinlæringsopgave, der ville lære via eksperimenter, der gentog mange gange. De udviklede derefter teorier, der beskrev, hvordan et kvantesystem kunne bruges til at udføre sådanne eksperimenter og til at lære af dem. De fandt ud af, at de var i stand til at bevise, at en kvantecomputer kunne gøre det, og at den kunne gøre det meget bedre end et klassisk system. Faktisk fandt de, at en reduktion i det nødvendige antal eksperimenter, der var nødvendige for at lære et koncept, var fire størrelsesordener lavere end for klassiske systemer. Forskerne byggede derefter et sådant system og testede det på Googles Sycamore kvantecomputer og bekræftede deres teori.

Arbejdet antyder, at hvis en brugbar kvantecomputer med rigtige ord nogensinde bliver udviklet, kan den måske være i stand til at læne sig op af nye ting i en næsten utænkelig skala. + Udforsk yderligere

Entanglement låser op for skalering til kvantemaskinelæring

© 2022 Science X Network