La ricerca di un professore della Florida State University potrebbe aiutare l'informatica quantistica a mantenere la sua promessa di potente strumento computazionale.

William Oates, il Cummins Inc. Professor in Ingegneria Meccanica e presidente del Dipartimento di Ingegneria Meccanica presso il FAMU-FSU College of Engineering, e il ricercatore post-dottorato Guanglei Xu ha trovato un modo per dedurre automaticamente i parametri utilizzati in un importante algoritmo di macchina quantistica di Boltzmann per applicazioni di apprendimento automatico.

I loro risultati sono stati pubblicati in Rapporti scientifici .

Il lavoro potrebbe aiutare a costruire reti neurali artificiali che potrebbero essere utilizzate per addestrare i computer a risolvere complicati, problemi interconnessi come il riconoscimento delle immagini, scoperta di farmaci e creazione di nuovi materiali.

"C'è la convinzione che l'informatica quantistica, quando arriva online e cresce in potenza di calcolo, può fornirti alcuni nuovi strumenti, ma capire come programmarlo e come applicarlo in determinate applicazioni è una grande domanda, " disse Oate.

bit quantici, a differenza dei bit binari in un computer standard, può esistere in più di uno stato alla volta, un concetto noto come sovrapposizione. Misurare lo stato di un bit quantistico, o qubit, fa perdere quello stato speciale, quindi i computer quantistici funzionano calcolando la probabilità dello stato di un qubit prima che venga osservato.

I computer quantistici specializzati noti come ricottori quantistici sono uno strumento per eseguire questo tipo di calcolo. Funzionano rappresentando ogni stato di un qubit come livello di energia. Lo stato di energia più basso tra i suoi qubit dà la soluzione a un problema. Il risultato è una macchina in grado di gestire complicate, sistemi interconnessi che richiederebbero molto tempo per essere calcolati da un normale computer, come la costruzione di una rete neurale.

Un modo per costruire reti neurali è usare una macchina Boltzmann ristretta, un algoritmo che utilizza la probabilità per apprendere in base agli input forniti alla rete. Oates e Xu hanno trovato un modo per calcolare automaticamente un parametro importante associato alla temperatura effettiva utilizzata in quell'algoritmo. Le macchine Boltzmann ristrette in genere indovinano invece quel parametro, che richiede test per confermare e può cambiare ogni volta che al computer viene chiesto di indagare su un nuovo problema.

"Quel parametro nel modello replica ciò che sta facendo il ricottore quantistico, " disse Oates. "Se puoi stimarlo con precisione, puoi addestrare la tua rete neurale in modo più efficace e usarla per prevedere le cose."