La investigación de un profesor de la Universidad Estatal de Florida podría ayudar a la computación cuántica a cumplir su promesa como una poderosa herramienta computacional.
William Oates, profesor de Ingeniería Mecánica de Cummins Inc. y presidente del Departamento de Ingeniería Mecánica de la Facultad de Ingeniería FAMU-FSU, y el investigador postdoctoral Guanglei Xu encontraron una manera de inferir automáticamente los parámetros utilizados en un importante algoritmo cuántico de la máquina de Boltzmannpara aplicaciones de aprendizaje automático.
Sus hallazgos fueron publicados en Informes científicos .
El trabajo podría ayudar a construir redes neuronales artificiales que podrían usarse para entrenar computadoras para resolver problemas complicados e interconectados como el reconocimiento de imágenes, el descubrimiento de fármacos y la creación de nuevos materiales.
"Existe la creencia de que la computación cuántica, a medida que se pone en línea y crece en poder computacional, puede proporcionarle algunas herramientas nuevas, pero descubrir cómo programarla y cómo aplicarla en ciertas aplicaciones es una gran pregunta", Oatesdicho.
Los bits cuánticos, a diferencia de los bits binarios en una computadora estándar, pueden existir en más de un estado a la vez, un concepto conocido como superposición. Medir el estado de un bit cuántico, o qubit, hace que pierda ese estado especial, por lo que las computadoras cuánticas funcionan calculando la probabilidad del estado de un qubit antes de que se observe.
Las computadoras cuánticas especializadas conocidas como annealers cuánticos son una herramienta para realizar este tipo de computación. Funcionan representando cada estado de un qubit como un nivel de energía. El estado de energía más bajo entre sus qubits da la solución a un problema. El resultado esuna máquina que podría manejar sistemas complicados e interconectados que a una computadora normal le tomaría mucho tiempo calcular, como construir una red neuronal.
Una forma de construir redes neuronales es mediante el uso de una máquina de Boltzmann restringida, un algoritmo que usa la probabilidad para aprender en función de las entradas dadas a la red. Oates y Xu encontraron una manera de calcular automáticamente un parámetro importante asociado con la temperatura efectiva que se usaen ese algoritmo.Las máquinas de Boltzmann restringidas suelen adivinar ese parámetro, lo que requiere pruebas para confirmarlo y puede cambiar cada vez que se le pide a la computadora que investigue un nuevo problema.
"Ese parámetro en el modelo replica lo que está haciendo el annealer cuántico", dijo Oates. "Si puede estimarlo con precisión, puede entrenar su red neuronal de manera más efectiva y usarla para predecir cosas".
Esta investigación fue apoyada por Cummins Inc. y utilizó recursos de Oak Ridge Leadership Computing Facility, que es una instalación para usuarios de la Oficina de Ciencias del DOE.
Fuente de la historia :
Materiales proporcionado por Universidad Estatal de Florida . Original escrito por Bill Wellock. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :