• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  science >> Scienza >  >> Fisica
    I ricercatori mettono l'apprendimento automatico sulla strada del vantaggio quantistico

    Credito:CC0 Dominio Pubblico

    Ci sono grandi speranze che l'enorme potenza di elaborazione del calcolo quantistico un giorno scatenerà progressi esponenziali nell'intelligenza artificiale. I sistemi di intelligenza artificiale prosperano quando agli algoritmi di apprendimento automatico utilizzati per addestrarli vengono fornite enormi quantità di dati da ingerire, classificare e analizzare. Tanto più precisamente i dati possono essere classificati in base a caratteristiche specifiche, o caratteristiche, migliore sarà l'intelligenza artificiale. I computer quantistici dovrebbero svolgere un ruolo cruciale nell'apprendimento automatico, compreso l'aspetto cruciale dell'accesso a spazi di funzionalità più complessi dal punto di vista computazionale:gli aspetti a grana fine dei dati che potrebbero portare a nuove intuizioni.

    In un nuovo documento di ricerca su Nature intitolato "Apprendimento supervisionato con spazi di funzionalità potenziati quantisticamente, " descriviamo lo sviluppo e il test di un algoritmo quantistico con il potenziale per consentire l'apprendimento automatico sui computer quantistici nel prossimo futuro. Abbiamo dimostrato che quando i computer quantistici diventano più potenti negli anni a venire, e il loro Volume Quantico aumenta, saranno in grado di eseguire la mappatura delle caratteristiche, una componente chiave dell'apprendimento automatico, su strutture di dati altamente complesse su una scala ben oltre la portata anche dei computer classici più potenti.

    I nostri metodi sono stati anche in grado di classificare i dati con l'uso di circuiti a breve profondità, che apre una strada per affrontare la decoerenza. Altrettanto significativo, la nostra mappatura delle caratteristiche ha funzionato come previsto:nessun errore di classificazione con i nostri dati ingegnerizzati, anche se i processori dei sistemi IBM Q hanno sperimentato la decoerenza.

    Più grande, Immagine migliore

    La mappatura delle caratteristiche è un modo per disassemblare i dati per ottenere l'accesso ad aspetti più dettagliati di tali dati. Sia gli algoritmi di machine learning classici che quelli quantistici possono scomporre un'immagine, Per esempio, per pixel e posizionarli in una griglia in base al valore del colore di ciascun pixel. Da lì gli algoritmi mappano i singoli punti dati in modo non lineare in uno spazio ad alta dimensione, scomponendo i dati secondo le sue caratteristiche più essenziali. Nello spazio degli stati quantistici molto più ampio, possiamo separare aspetti e caratteristiche di quei dati meglio di quanto potremmo in una mappa delle caratteristiche creata da un classico algoritmo di apprendimento automatico. In definitiva, più precisamente i dati possono essere classificati secondo caratteristiche specifiche, o caratteristiche, migliore sarà l'intelligenza artificiale.

    L'obiettivo è utilizzare i computer quantistici per creare nuovi classificatori che generino mappe di dati più sofisticate. Nel fare ciò, i ricercatori saranno in grado di sviluppare un'IA più efficace in grado di, Per esempio, identificare modelli nei dati che sono invisibili ai computer classici.

    Abbiamo sviluppato un progetto con nuovi algoritmi di classificazione dei dati quantistici e mappe delle caratteristiche. Questo è importante per l'IA perché, quanto più ampio e diversificato è un set di dati, più è difficile separare i dati in classi significative per l'addestramento di un algoritmo di apprendimento automatico. Risultati di classificazione errati dal processo di apprendimento automatico potrebbero introdurre risultati indesiderati; Per esempio, compromettere la capacità di un dispositivo medico di identificare le cellule tumorali sulla base dei dati della mammografia.

    Il problema del rumore

    Abbiamo scoperto che anche in presenza di rumore, potremmo classificare costantemente i nostri dati ingegnerizzati con una precisione perfetta durante i nostri test. I computer quantistici di oggi faticano a mantenere i loro qubit in uno stato quantistico per più di poche centinaia di microsecondi anche in un ambiente di laboratorio altamente controllato. Questo è significativo perché i qubit devono rimanere in quello stato il più a lungo possibile per eseguire i calcoli.

    I nostri algoritmi che dimostrano come l'entanglement può migliorare l'accuratezza della classificazione dell'IA saranno disponibili come parte di Qiskit Aqua di IBM, una libreria open source di algoritmi quantistici che gli sviluppatori, ricercatori ed esperti del settore possono utilizzare per accedere ai computer quantistici tramite applicazioni classiche o linguaggi di programmazione comuni come Python.

    Siamo ancora lontani dal raggiungere Quantum Advantage per l'apprendimento automatico, il punto in cui i computer quantistici superano i computer classici nella loro capacità di eseguire algoritmi di intelligenza artificiale. La nostra ricerca non dimostra ancora Quantum Advantage perché abbiamo ridotto al minimo la portata del problema in base alle nostre attuali capacità hardware, utilizzando solo due qubit di capacità di calcolo quantistico, che può essere simulato su un computer classico. Eppure i metodi di mappatura delle caratteristiche che stiamo portando avanti potrebbero presto essere in grado di classificare set di dati molto più complessi di qualsiasi cosa possa gestire un computer classico. Quello che abbiamo mostrato è un promettente percorso in avanti.

    © Scienza https://it.scienceaq.com