Исследователи улучшают алгоритмы квантового машинного обучения


Исследование профессора Университета штата Флорида может помочь квантовым вычислениям стать мощным вычислительным инструментом.

Уильям Оутс, профессор машиностроения компании Cummins Inc. и заведующий кафедрой машиностроения инженерного колледжа FAMU-FSU, и доктор наук Гуангли Сюй нашли способ автоматически определять параметры, используемые в важном алгоритме квантовой машины Больцмана для машин. обучающие приложения.

Их выводы были опубликованы в Научные отчеты.

Эта работа могла бы помочь в создании искусственных нейронных сетей, которые можно было бы использовать для обучения компьютеров для решения сложных взаимосвязанных задач, таких как распознавание изображений, открытие лекарств и создание новых материалов.


«Существует мнение, что квантовые вычисления, по мере их появления в сети и роста вычислительной мощности, могут предоставить вам некоторые новые инструменты, но выяснить, как их программировать и как применять в определенных приложениях, – большой вопрос», – сказал Оутс.

Квантовые биты, в отличие от двоичных битов в стандартном компьютере, могут существовать более чем в одном состоянии одновременно, эта концепция известна как суперпозиция. Измерение состояния квантового бита – или кубита – заставляет его терять это особое состояние, поэтому квантовые компьютеры работают, вычисляя вероятность состояния кубита до того, как оно будет обнаружено.

Специализированные квантовые компьютеры, известные как квантовые отжигатели, являются одним из инструментов для выполнения этого типа вычислений. Они работают, представляя каждое состояние кубита как уровень энергии. Самое низкое энергетическое состояние среди его кубитов дает решение проблемы. В результате получается машина, которая может обрабатывать сложные, взаимосвязанные системы, на вычисление которых обычному компьютеру потребовалось бы очень много времени – например, построение нейронной сети.

Одним из способов построения нейронных сетей является использование ограниченной машины Больцмана, алгоритма, который использует вероятность для обучения на основе входных данных, поступающих в сеть. Оутс и Сюй нашли способ автоматически вычислить важный параметр, связанный с эффективной температурой, который используется в этом алгоритме. Машины Больцмана с ограничениями обычно вместо этого предполагают этот параметр, который требует тестирования для подтверждения и может изменяться всякий раз, когда компьютер просят исследовать новую проблему.

«Этот параметр модели повторяет то, что делает квантовый отжигатель», – сказал Оутс. «Если вы можете точно оценить это, вы сможете более эффективно обучить свою нейронную сеть и использовать ее для прогнозирования».