Natuurkundigen hebben een algoritme voor het leren van kwantummachines ontwikkeld dat oneindige dimensies aankan, dat wil zeggen:het werkt met continue variabelen (die een oneindig aantal mogelijke waarden hebben op een gesloten interval) in plaats van de typisch gebruikte discrete variabelen (die slechts een eindig aantal waarden hebben).

De onderzoekers, Hoi Kwan Lau et al., hebben een paper gepubliceerd over het generaliseren van quantum machine learning naar oneindige dimensies in een recent nummer van Fysieke beoordelingsbrieven .

Zoals de natuurkundigen uitleggen, kwantummachine learning is een nieuw subveld binnen het veld van kwantuminformatie dat de snelheid van kwantumcomputing combineert met het vermogen om te leren en aan te passen, zoals aangeboden door machine learning.

Een van de grootste voordelen van het hebben van een algoritme voor het leren van kwantummachines voor continue variabelen is dat het in theorie veel sneller kan werken dan klassieke algoritmen. Omdat veel wetenschappelijke en technische modellen continue variabelen bevatten, het toepassen van kwantummachine learning op deze problemen kan mogelijk verstrekkende toepassingen hebben.

"Ons werk toont het vermogen aan om te profiteren van fotonica om machinale leertaken uit te voeren op een kwantumcomputer die de snelheid van elke conventionele computer ver zou kunnen overschrijden, " vertelde co-auteur George Siopsis aan de Universiteit van Tennessee: Phys.org . "Quantum machine learning biedt ook potentiële voordelen, zoals een lagere energiebehoefte door de mogelijkheid om meer informatie per qubit op te slaan, en zeer lage kosten per qubit in vergelijking met andere technologieën."

De meeste algoritmen voor het leren van kwantummachines die tot nu toe zijn ontwikkeld, werken alleen met problemen met discrete variabelen. Het toepassen van kwantummachine learning op continu-variabele problemen vereist een heel andere aanpak.

Om dit te doen, de natuurkundigen moesten een nieuwe set tools ontwikkelen die met continue variabelen werken. Dit houdt in dat de logische poorten die worden gebruikt voor discrete-variabele toestanden worden vervangen door fysieke poorten, die werken voor continu-variabele toestanden. Voortbouwend op deze basisbouwstenen van het algoritme, de wetenschappers ontwikkelden vervolgens nieuwe methoden die de leerproblemen van de kwantummachine mogelijk maken, subroutines genoemd, die worden weergegeven door matrices en vectoren.

Hoewel de resultaten van het onderzoek puur theoretisch zijn, de natuurkundigen verwachten dat het nieuwe algoritme voor continue variabelen experimenteel kan worden geïmplementeerd met behulp van de momenteel beschikbare technologie. De uitvoering kan op verschillende manieren gebeuren, bijvoorbeeld door gebruik te maken van optische systemen, spin systemen, of ingesloten atomen. Ongeacht het type systeem, de uitvoering zou een uitdaging zijn. Bijvoorbeeld, een optische implementatie waarvoor de hier geschetste wetenschappers enkele van de nieuwste technologieën zouden vereisen, zoals "kattentoestanden" (een superpositie van de toestanden "0" en "1") en hoge mate van knijpen (om kwantumruis te verminderen).

In de toekomst, de wetenschappers hopen verder te onderzoeken hoe continu-variabele kwantummachine learning kan worden uitgebreid om enkele van de nieuwste resultaten met discrete variabelen te repliceren. Een andere interessante manier om na te streven is een hybride benadering, die de methoden van zowel discrete als continue variabelen zou combineren in een enkel algoritme.

© 2017 Fys.org