ماشین های کوانتومی “داده های کوانتومی” را یاد می گیرند

کوانتومی

0

ماشین های کوانتومی “داده های کوانتومی” را یاد می گیرند

دانشکده ها : ماشین های کوانتومی “داده های کوانتومی” را یاد می گیرند دانشمندان Skoltech نشان داده اند که یادگیری ماشینی تقویت شده کوانتومی می تواند در داده های کوانتومی (در مقایسه با کلاسیک) مورد استفاده قرار گیرد ، و از کندی چشمگیر مشترک در این برنامه ها عبور کند و “زمینی مناسب برای توسعه بینش محاسباتی در سیستم های کوانتومی” باز شود. مقاله در مجله Physical Review A منتشر شد .

رایانه های کوانتومی از اثرات مکانیکی کوانتوم برای ذخیره و دستکاری اطلاعات استفاده می کنند. در حالی که اغلب ادعا می شود اثرات کوانتومی ضداسطری است ، اما چنین اثراتی محاسبات پیشرفته کوانتومی را قادر می سازد تا از بهترین ابر رایانه ها عملکرد چشمگیری داشته باشد. در سال ۲۰۱۹ ، جهان نمونه اولیه این را گوگل به عنوان برتری محاسباتی کوانتومی نشان داد.

الگوریتم های کوانتوم برای افزایش طیف وسیعی از کارهای مختلف محاسباتی ایجاد شده اند. اخیراً این امر شامل یادگیری ماشین کوانتومی پیشرفته شده است. آزمایشگاه کوانتومی تا حدودی توسط آزمایشگاه مستقر در Skoltech برای پردازش اطلاعات کوانتومی ، به رهبری Jacob Biamonte ، مسئول این مقاله ، آغاز شد. وی می گوید: “فنون یادگیری ماشین به ابزاری قدرتمند برای یافتن الگوها در داده ها تبدیل شده اند. سیستم های کوانتومی الگوهای غیر معمولی تولید می کنند که تصور می شود سیستم های کلاسیک به طور مثر تولید نمی کنند ، بنابراین جای تعجب نیست که رایانه های کوانتومی در انجام کارهای یادگیری ماشین از رایانه های کلاسیک بهتر عمل کنند.”

روش استاندارد یادگیری ماشین کوانتومی

 

روش استاندارد برای یادگیری ماشین کوانتومی پیشرفته استفاده از الگوریتم های کوانتوم در داده های کلاسیک بوده است. به عبارت دیگر ، داده های کلاسیک (نشان داده شده توسط رشته های بیتی ۱ و ۰) باید قبل از استفاده از جلوه های کوانتومی ، توسط پردازنده کوانتومی ذخیره یا در غیر این صورت نشان داده شوند. این مشکل داده-خواندن است. داده-خواندن به منظور محدود کردن سرعت عملی است که با استفاده از الگوریتم های یادگیری ماشین پیشرفته کوانتومی امکان پذیر است.

تیمی از محققان Skoltech با استفاده از روش خود برای مطالعه انتقال فاز در بسیاری از مشکلات مغناطیسی کوانتومی بدن ، یادگیری ماشین پیشرفته کوانتومی را با شبیه سازی پیشرفته کوانتومی ادغام کرده اند. با این کار ، آنها شبکه های عصبی کوانتومی را فقط با استفاده از حالت های کوانتومی به عنوان داده آموزش می دهند. به عبارت دیگر ، نویسندگان با تغذیه در حالت های مکانیکی کوانتوم ماده ، مشکل خواندن داده ها را دور می زنند. به نظر می رسد که چنین حالت هایی برای نمایش با استفاده از روشهای استاندارد (غیر کوانتومی) به مقدار غیرممکن حافظه نیاز دارند.

نویسنده اصلی این مطالعه ، دانشجوی دکترای Skoltech ، الکسی اوواروف ، این مطالعه را “گامی به سوی درک قدرت دستگاه های کوانتومی برای یادگیری ماشین ” توصیف می کند. محققان مجموعه ای از تکنیک ها را که شامل بکارگیری برخی ایده ها از شبکه های تنسور و نظریه درهم تنیدگی در تحلیل رویکرد آنها بود ، ادغام کردند.

این کار از زیر روال شناخته شده به نام حلال کوانتومی متنوع (VQE) – الگوریتمی استفاده می کند که به طور تکراری تقریباً حالت پایه یک همیلتونین کوانتومی مشخص را پیدا می کند. خروجی این زیرروال مجموعه ای از دستورالعمل ها برای تهیه حالت کوانتومی در رایانه کوانتومی است.

اگرچه نوشتن صریح وضعیت به طور معمول به مقدار زیادی حافظه نیاز دارد ، از این رو خصوصیات چنین حالتی با تهیه آن به صورت سخت افزاری بهتر بررسی می شود. الگوریتم یادگیری در این مقاله با مسئله زیر سروکار دارد: با توجه به وضعیت VQE که مسئله حالت پایه را برای یک مدل چرخش کوانتومی حل می کند ، دریابید که این حالت به کدام یک از دو مرحله ماده تعلق دارد.

بیامونت خاطرنشان می کند: “در حالی که ما رویکردهای خود را بر روی مشکلات فیزیک ماده متراکم متمرکز کرده ایم ، چنین الگوریتم های تقویت شده کوانتومی به طور یکسان در مورد چالش های پیش روی علوم مواد و کشف دارو نیز صدق می کنند.”

ممکن است شما دوست داشته باشید