کوانتومی ماشین آلات یادگیری "اطلاعات کوانتومی"

Skoltech دانشمندان نشان داده است که کوانتومی پیشرفته یادگیری ماشین استفاده می شود در کوانتوم (به عنوان مخالف به کلاسیک) داده های غلبه بر کاهش قابل توجه مشترک به این برنامه و باز کردن یک "زمینه مناسبی برای توسعه محاسباتی بینش کوانتومی سیستم". مقاله منتشر شده در مجله نقد و بررسی فیزیکی یک.

کامپیوترهای کوانتومی با استفاده از مکانیک کوانتومی اثر برای ذخیره و دستکاری اطلاعات است. در حالی که اثرات کوانتومی اغلب ادعا می شود عقل از جمله عوارض فعال خواهد شد کوانتومی پیشرفته محاسبات به طور چشمگیری بهتر بهترین ابر رایانه. در سال 2019 جهان شاهد یک نمونه از این نشان داده شده توسط گوگل به عنوان کوانتومی محاسباتی برتری.

کوانتومی الگوریتم توسعه داده شده است برای افزایش طیف وسیعی از های مختلف محاسباتی وظایف; اخیرا این رشد کرده است به شامل کوانتومی پیشرفته یادگیری ماشین. کوانتومی یادگیری ماشین تا حدی بود که پیشگام توسط Skoltech ساکن مبتنی بر آزمایشگاه کوانتومی پردازش اطلاعات به رهبری یعقوب Biamonte یک coathor از این مقاله است. "تکنیک یادگیری ماشین را تبدیل به ابزار قدرتمند برای پیدا کردن الگوهای موجود در داده ها. کوانتومی سیستم های تولید غیر معمولی الگوهای کلاسیک که سیستم در حال فکر به تولید کارآمد پس از آن تعجب آور نیست که کامپیوترهای کوانتومی ممکن است بهتر کلاسیک رایانه در یادگیری ماشین, وظایف," او می گوید.

استاندارد رویکرد کوانتومی پیشرفته یادگیری ماشینی شده است به درخواست کوانتومی الگوریتم های کلاسیک داده است. به عبارت دیگر, کلاسیک, داده ها (ارائه شده توسط بیت رشته ها از 1 و 0 است) باید ذخیره شود و یا در غیر این صورت توسط یک پردازنده کوانتومی قبل از اثرات کوانتومی استفاده می شود. این است که به نام data-readin بود مشکل. اطلاعات-readin بود در خدمت محدود کردن speedup است که ممکن است با استفاده از کوانتوم پیشرفته الگوریتم های یادگیری ماشین.

یک تیم از Skoltech محققان ادغام کرده کوانتومی پیشرفته یادگیری ماشین با کوانتوم پیشرفته شبیه سازی استفاده از رویکرد خود را به مطالعه گذار فاز در بسیاری از بدن کوانتومی مغناطیسی مشکلات. در انجام این کار آنها آموزش شبکه های عصبی کوانتومی با استفاده از تنها کوانتومی متحده به عنوان داده. به عبارت دیگر نویسندگان دور زدن data-readin بود مشکل تغذیه در مکانیک کوانتومی متحده مهم است. چنین متحده به نظر می رسد به طور کلی نیاز به یک غیر ممکن است مقدار حافظه برای نشان دادن استفاده از استاندارد (غیر کوانتومی) روش.

نویسنده سرب از مطالعه Skoltech دانشجوی دکترای آلکسی Uvarov توصیف این مطالعه به عنوان "یک گام به سوی درک قدرت کوانتومی دستگاه برای یادگیری ماشین." محققان ادغام مجموعه ای از تکنیک های که شامل استفاده از برخی از ایده ها از تانسور شبکه ها و گرفتاری نظریه در تحلیل رویکرد خود را.

این کار با استفاده از subroutine شناخته شده به عنوان variational کوانتومی eigensolver (VQE) -- یک الگوریتم است که iteratively می یابد تقریبی به زمین دولت داده کوانتومی هامیلتونی. خروجی این subroutine مجموعه ای از دستورالعمل ها برای آماده سازی کوانتومی در یک کامپیوتر کوانتومی.

نوشتن دولت پایین به صراحت هر چند به طور معمول نیاز به یک مقدار نمایی از حافظه رو خواص چنین دولتی هستند بهترین بررسی آماده سازی آن در سخت افزار. آموزش الگوریتم در این مقاله معاملات با مشکل زیر: با توجه به VQE دولت حل زمین دولت مشکل برای یک کوانتومی اسپین مدل, پیدا کردن کدام یک از این دو فاز از ماده است که دولت متعلق به.

"در حالی که ما باید با تمرکز روش های ما در مشکلات از فیزیک ماده چگال چنین کوانتومی پیشرفته الگوریتم ها به طور مساوی اعمال می شود به چالش های روبرو در علم مواد و مواد مخدر کشف" Biamonte یادداشت ها.

###

این پژوهش توسط یک کمک مالی از بنیاد برای تحقیقات پایه.

این کار نیز آزادانه در دسترس به عنوان یک arXiv preprint.

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.