นักวิจัยนำแมชชีนเลิร์นนิงไปสู่เส้นทางสู่ข้อได้เปรียบเชิงควอนตัม

นักวิจัยนำแมชชีนเลิร์นนิงไปสู่เส้นทางสู่ข้อได้เปรียบเชิงควอนตัม RPA มีความหวังสูงว่าสักวันหนึ่งพลังการประมวลผลมหาศาลของคอมพิวเตอร์ควอนตัมจะปลดปล่อยความก้าวหน้าแบบทวีคูณในปัญญาประดิษฐ์ ระบบ AI เจริญเติบโตได้เมื่ออัลกอริทึมการเรียนรู้ของเครื่องที่ใช้ในการฝึกได้รับข้อมูลจำนวนมหาศาลเพื่อนำเข้า จำแนก และวิเคราะห์ ยิ่งสามารถจำแนกข้อมูลตามลักษณะเฉพาะหรือลักษณะเฉพาะได้แม่นยำมากเท่าไร AI ก็ยิ่งทำงานได้ดีขึ้นเท่านั้น คาดว่าคอมพิวเตอร์ควอนตัมจะมีบทบาทสำคัญในการเรียนรู้ของเครื่อง ซึ่งรวมถึงส่วนสำคัญของการเข้าถึงพื้นที่คุณลักษณะที่ซับซ้อนในการคำนวณมากขึ้น ซึ่งเป็นแง่มุมที่ละเอียดของข้อมูลที่อาจนำไปสู่ข้อมูลเชิงลึกใหม่ๆ ระบบจัดการภายใน ในบทความวิจัยเรื่องNatureฉบับใหม่ที่ชื่อว่า ” Supervised learning with quantum Enhanced feature Spaces ” ทีมของฉันที่IBM Researchร่วมกับMIT-IBM Watson AI Labอธิบายการพัฒนาและทดสอบอัลกอริทึมควอนตัมที่มีศักยภาพในการเปิดใช้งานการเรียนรู้ของเครื่องบนควอนตัม คอมพิวเตอร์ในอนาคตอันใกล้นี้ เราได้แสดงให้เห็นว่าในขณะที่คอมพิวเตอร์ควอนตัมมีประสิทธิภาพมากขึ้นในปีต่อๆ ไป และปริมาณควอนตัมก็เพิ่มขึ้น พวกเขาจะสามารถทำการแมปคุณลักษณะ ซึ่งเป็นองค์ประกอบสำคัญของการเรียนรู้ของเครื่อง บนโครงสร้างข้อมูลที่ซับซ้อนสูงในระดับที่ไกลเกินกว่า เข้าถึงได้แม้กระทั่งคอมพิวเตอร์คลาสสิกที่ทรงพลังที่สุดวิธีการของเรายังสามารถจัดประเภทข้อมูลด้วยการใช้วงจรเชิงลึกซึ่งเปิดเส้นทางสู่การจัดการกับการถอดรหัส การแมปคุณลักษณะของเราทำงานตามที่คาดการณ์ไว้อย่างมีนัยสำคัญเช่นเดียวกัน: ไม่มีข้อผิดพลาดในการจัดหมวดหมู่กับข้อมูลที่ออกแบบของเรา แม้ว่าโปรเซสเซอร์ของระบบIBM Qจะประสบปัญหาการถอดรหัสใหญ่กว่า ดีกว่าการแมปคุณลักษณะเป็นวิธีการแยกส่วนข้อมูลเพื่อเข้าถึงแง่มุมที่ละเอียดยิ่งขึ้นของข้อมูลนั้น อัลกอริธึมการเรียนรู้ของเครื่องทั้งแบบคลาสสิกและแบบควอนตัมสามารถแบ่งรูปภาพได้ ตัวอย่างเช่น โดยพิกเซลและวางไว้ในตารางตามค่าสีของแต่ละพิกเซล จากนั้นอัลกอริธึมจะจับคู่จุดข้อมูลแต่ละจุดแบบไม่เชิงเส้นกับพื้นที่มิติสูง โดยแยกย่อยข้อมูลตามคุณลักษณะที่สำคัญที่สุด ในพื้นที่สถานะควอนตัมที่มีขนาดใหญ่กว่ามาก เราสามารถแยกลักษณะและคุณสมบัติของข้อมูลนั้นได้ดีกว่าที่เราสามารถทำได้ในแผนผังคุณลักษณะที่สร้างโดยอัลกอริธึมการเรียนรู้ของเครื่องแบบคลาสสิก ในที่สุด ยิ่งสามารถจำแนกข้อมูลได้อย่างแม่นยำตามลักษณะเฉพาะหรือคุณลักษณะเฉพาะ ปัญญาประดิษฐ์ก็จะยิ่งทำงานได้ดีขึ้นเท่านั้นเป้าหมายคือการใช้คอมพิวเตอร์ควอนตัมเพื่อสร้างตัวแยกประเภทใหม่ที่สร้างแผนที่ข้อมูลที่ซับซ้อนยิ่งขึ้น ในการทำเช่นนั้น นักวิจัยจะสามารถพัฒนา

การเชื่อมต่อใหม่ระหว่างคอมพิวเตอร์ควอนตัมและการเรียนรู้ของเครื่องในวิชาเคมีเชิงคำนวณ

การเชื่อมต่อใหม่ระหว่างคอมพิวเตอร์ควอนตัมและการเรียนรู้ของเครื่องในวิชาเคมีเชิงคำนวณ RPA คอมพิวเตอร์ควอนตัมสัญญาว่าจะปรับปรุงความสามารถของเราในการทำงานด้านคอมพิวเตอร์ที่สำคัญในอนาคต แมชชีนเลิร์นนิงกำลังเปลี่ยนวิธีที่เราใช้คอมพิวเตอร์ในชีวิตประจำวันในปัจจุบันและในด้านวิทยาศาสตร์ เป็นเรื่องปกติที่จะแสวงหาความเชื่อมโยงระหว่างวิธีการที่เกิดขึ้นใหม่ทั้งสองวิธีในการคำนวณ โดยหวังว่าจะได้รับผลประโยชน์หลายประการ การค้นหาลิงก์เชื่อมต่อเพิ่งเริ่มต้นขึ้น แต่เราเห็นศักยภาพมากมายในพื้นที่ที่ยังไม่ได้สำรวจนี้ เรานำเสนอที่นี่สองบทความงานวิจัยใหม่:“ การวัดที่แม่นยำของ observables ควอนตัมที่มีประมาณประสาทเครือข่าย ” ที่ตีพิมพ์ในทางกายภาพวิจัยทบทวนและ“ fermionic รัฐประสาทเครือข่ายสำหรับ AB-เริ่มแรกโครงสร้างอิเล็กทรอนิกส์ , ”ตีพิมพ์ใน การสื่อสารธรรมชาติ. การตลาดออนไลน์ ฝึกฟังก์ชั่นคลื่นในปัจจุบัน การคาดคะเนคุณสมบัติโครงสร้างอิเล็กทรอนิกส์ของโมเลกุลและวัสดุถือเป็นหนทางที่สั้นที่สุดที่จะนำไปสู่ความได้เปรียบด้านควอนตัมการจำลองกลศาสตร์ควอนตัมเป็นแอปพลิเคชั่นใหม่ล่าสุดสำหรับเครื่องมือที่คมชัดที่สุดของการเรียนรู้ของเครื่อง: โครงข่ายประสาทเทียม เฉพาะในช่วงไม่กี่ปีที่ผ่านมามีการใช้โครงข่ายประสาทเทียมเพื่อจำแนกเฟสของสสารควอนตัมหรือเป็น ansatz ผันแปรสำหรับการโต้ตอบกับระบบต่างๆการแสดงฟังก์ชันคลื่นควอนตัมเป็นสิ่งที่ทั้งคอมพิวเตอร์ควอนตัมและโครงข่ายประสาทเทียมพยายามทำ พื้นดินทั่วไปนี้สามารถใช้เป็นจุดเริ่มต้นสำหรับการสำรวจการเชื่อมต่อที่เป็นไปได้ แต่ละวิธีมีข้อดีและจุดอ่อนความสำคัญของความแม่นยำควอนตัมไอเกนโซลเวอร์แบบแปรผัน (VQE) ร่วมกับอัลกอริธึมเชิงลึกอื่นๆ สำหรับโครงสร้างอิเล็กทรอนิกส์ ใช้ประโยชน์จากการจัดเก็บและการจัดการสถานะควอนตัมเพื่อดึงข้อมูลกราวด์และคุณสมบัติของสถานะตื่นเต้นของระบบควอนตัมที่น่าสนใจ ในการทำเช่นนั้น สำหรับกรณีของระบบโมเลกุล เราจำเป็นต้องวัดค่าความคาดหวังของตัวดำเนินการแฮมิลตัน ซึ่งเป็นตัวแทนของพลังงานระดับโมเลกุล เราจำเป็นต้องทำอย่างแม่นยำด้วย: การวัดที่มีความผันผวนแบบสุ่มมากจะทำให้อัลกอริธึมควอนตัมทั้งหมดไม่สามารถใช้งานได้จริง ปรากฏว่าคอมพิวเตอร์ควอนตัมไม่ค่อยดีในงานนี้ โดยเฉพาะอย่างยิ่ง จำนวนการวัดเพื่อให้ได้ความแม่นยำเพียงพอสำหรับการใช้งานที่จะแสดงความได้เปรียบของควอนตัมเป็นสิ่งต้องห้ามสำหรับเทคโนโลยีปัจจุบันใน”การวัดค่าควอนตัมที่สังเกตได้อย่างแม่นยำด้วยตัวประมาณโครงข่ายประสาทเทียม” ของPRRซึ่งเป็นความร่วมมือกับนักวิจัยสองคนจากสถาบัน Flatiron, Giacomo Torlai และ Giuseppe Carleo เราใช้เทคนิคโครงข่ายประสาทเทียมในการคำนวณด้วยควอนตัมเพื่อการจำลองทางเคมีที่แม่นยำยิ่งขึ้น เทคนิคนี้มีพื้นฐานมาจากการฝึกโครงข่ายประสาทเทียม โดยรวบรวมข้อมูลการวัดจากคอมพิวเตอร์ควอนตัม เมื่อผ่านการฝึกอบรมแล้ว โครงข่ายประสาทเทียมจะเข้ารหัสการแสดงบางส่วนของสถานะควอนตัม ซึ่งดีพอที่จะกู้คืนพลังงานระดับโมเลกุลด้วยความแม่นยำสูงสุดคอมพิวเตอร์ควอนตัมที่รวมเข้ากับตัวประมาณโครงข่ายประสาทเทียมใหม่ของเรา