I fisici hanno sviluppato un algoritmo di apprendimento automatico quantistico in grado di gestire dimensioni infinite, ovvero funziona con variabili continue (che hanno un numero infinito di valori possibili su un intervallo chiuso) invece delle variabili discrete tipicamente utilizzate (che hanno solo un numero finito di valori).

I ricercatori, Hoi-Kwan Lau et al., hanno pubblicato un articolo sulla generalizzazione dell'apprendimento automatico quantistico a dimensioni infinite in un recente numero di Lettere di revisione fisica .

Come spiegano i fisici, l'apprendimento automatico quantistico è un nuovo sottocampo nel campo dell'informazione quantistica che combina la velocità dell'informatica quantistica con la capacità di apprendere e adattarsi, come offerto dall'apprendimento automatico.

Uno dei maggiori vantaggi di avere un algoritmo di apprendimento automatico quantistico per variabili continue è che può teoricamente funzionare molto più velocemente degli algoritmi classici. Poiché molti modelli scientifici e ingegneristici coinvolgono variabili continue, l'applicazione dell'apprendimento automatico quantistico a questi problemi potrebbe avere applicazioni di vasta portata.

"Il nostro lavoro dimostra la capacità di sfruttare la fotonica per eseguire attività di apprendimento automatico su un computer quantistico che potrebbe superare di gran lunga la velocità di qualsiasi computer convenzionale, " ha detto il coautore George Siopsis dell'Università del Tennessee Phys.org . "L'apprendimento automatico quantistico offre anche potenziali vantaggi come requisiti energetici inferiori grazie alla capacità di memorizzare più informazioni per qubit, e un costo per qubit molto basso rispetto ad altre tecnologie."

La maggior parte degli algoritmi di apprendimento automatico quantistico sviluppati finora funziona solo con problemi che coinvolgono variabili discrete. L'applicazione dell'apprendimento automatico quantistico a problemi a variabile continua richiede un approccio molto diverso.

Per fare questo, i fisici hanno dovuto sviluppare una nuova serie di strumenti che funzionano con variabili continue. Ciò comporta la sostituzione delle porte logiche utilizzate per gli stati a variabili discrete con porte fisiche, che funzionano per stati a variabile continua. Partendo da questi elementi costitutivi di base dell'algoritmo, gli scienziati hanno quindi sviluppato nuovi metodi che alimentano i problemi di apprendimento automatico quantistico, chiamate subroutine, che sono rappresentati da matrici e vettori.

Sebbene i risultati dello studio siano puramente teorici, i fisici si aspettano che il nuovo algoritmo per le variabili continue possa essere implementato sperimentalmente utilizzando la tecnologia attualmente disponibile. La realizzazione può avvenire in diversi modi, come l'utilizzo di sistemi ottici, sistemi di rotazione, o atomi intrappolati. Indipendentemente dal tipo di impianto, l'attuazione sarebbe impegnativa. Per esempio, un'implementazione ottica che gli scienziati hanno delineato qui richiederebbe alcune delle ultime tecnologie, come "stati di gatto" (una sovrapposizione degli stati "0" e "1") e alti tassi di compressione (per ridurre il rumore quantistico).

Nel futuro, gli scienziati sperano di indagare ulteriormente su come l'apprendimento automatico quantistico a variabile continua possa essere esteso per replicare alcuni degli ultimi risultati che coinvolgono variabili discrete. Un'altra strada interessante da perseguire è un approccio ibrido, che combinerebbe i metodi delle variabili discrete e continue in un unico algoritmo.

© 2017 Phys.org