Het onderzoek van een professor aan de Florida State University zou kunnen helpen om zijn belofte als krachtige rekentool waar te maken.

Willem Oaten, de Cummins Inc. Professor in Mechanical Engineering en voorzitter van het Department of Mechanical Engineering aan het FAMU-FSU College of Engineering, en postdoctoraal onderzoeker Guanglei Xu vond een manier om automatisch parameters af te leiden die worden gebruikt in een belangrijk kwantum Boltzmann-machine-algoritme voor machine learning-toepassingen.

Hun bevindingen werden gepubliceerd in Wetenschappelijke rapporten .

Het werk zou kunnen helpen bij het bouwen van kunstmatige neurale netwerken die kunnen worden gebruikt voor het trainen van computers om gecompliceerde, onderling verbonden problemen zoals beeldherkenning, ontdekking van geneesmiddelen en de creatie van nieuwe materialen.

"Er is een overtuiging dat kwantumcomputers, als het online komt en groeit in rekenkracht, kan u een aantal nieuwe hulpmiddelen bieden, maar uitzoeken hoe het te programmeren en hoe het in bepaalde toepassingen toe te passen is een grote vraag, ' zei Oates.

Kwantumbits, in tegenstelling tot binaire bits in een standaardcomputer, kan in meer dan één staat tegelijk bestaan, een concept dat bekend staat als superpositie. Door de toestand van een kwantumbit - of qubit - te meten, verliest het die speciale toestand, dus kwantumcomputers werken door de waarschijnlijkheid van de toestand van een qubit te berekenen voordat deze wordt waargenomen.

Gespecialiseerde kwantumcomputers die bekend staan ​​als kwantumontharders zijn een hulpmiddel voor dit type computergebruik. Ze werken door elke toestand van een qubit weer te geven als een energieniveau. De laagste energietoestand onder zijn qubits geeft de oplossing voor een probleem. Het resultaat is een machine die ingewikkelde, onderling verbonden systemen waarvoor een gewone computer heel veel tijd nodig heeft om te berekenen, zoals het bouwen van een neuraal netwerk.

Een manier om neurale netwerken te bouwen is door een beperkte Boltzmann-machine te gebruiken, een algoritme dat waarschijnlijkheid gebruikt om te leren op basis van invoer die aan het netwerk wordt gegeven. Oates en Xu hebben een manier gevonden om automatisch een belangrijke parameter te berekenen die verband houdt met de effectieve temperatuur die in dat algoritme wordt gebruikt. Beperkte Boltzmann-machines raden in plaats daarvan meestal naar die parameter, die moet worden getest om te bevestigen en kan veranderen wanneer de computer wordt gevraagd een nieuw probleem te onderzoeken.

"Die parameter in het model repliceert wat de quantum annealer doet, "Zei Oates. "Als je het nauwkeurig kunt inschatten, je kunt je neurale netwerk effectiever trainen en gebruiken om dingen te voorspellen."