Алгоритмы машинного обучения могут взять на себя функции квантовых компьютеров

МЕНЮ


Главная страница
Поиск
Регистрация на сайте
Помощь проекту
Архив новостей

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Когда дело доходит до выполнения сложных физических и химических симуляций для разработки батарей следующего поколения или новых лекарств, квантовым компьютерам нет равных. Однако может пройти много лет, прежде чем практика квантовых вычислений станет реальностью.

Новое исследование, опубликованное в журнале Science, показывает, что машинное обучение, которое находится на службе компьютерного зрения, распознавания речи, может успешно справляться с задачами квантовых компьютеров, сообщает издание IEEE Spectrum.

Исследователи из Калифорнийского технологического института в Пасадене изучили алгоритмы машинного обучения, которые благодаря приобретению опыта могут автоматически самосовершенствоваться, работая на базе обычных компьютеров. Под руководством Роберта Синь-Юань Хуанга учёные обнаружили, что эти классические алгоритмы машинного обучения могут решать сложные квантовые задачи лучше, чем любой другой алгоритм на классических компьютерах.

Один набор приложений, проанализированных учёными, включал поиск основного состояния молекулы, в котором она имеет наименьшее количество энергии. Суперпозиция и запутанность могут очень затруднить этот процесс, особенно если молекула состоит из многих атомов. Физики решили понаблюдать за тем, что происходило, когда классическим алгоритмам машинного обучения давали данные об основных состояниях молекул — например, информацию, полученную в результате экспериментов по сбору квантовых данных от молекул. Было обнаружено, что такие классические алгоритмы машинного обучения могут эффективно и точно предсказывать основные состояния других молекул и делать это значительно лучше, чем другие виды классических алгоритмов.

Учёные также задействовали набор приложений для классификации широкого спектра квантовых фаз материи. Результат показал, что, когда классические алгоритмы машинного обучения обучались на данных о квантовых фазах, они могли эффективно научиться точно классифицировать квантовые фазы, с которыми они не сталкивались во время обучения.

По словам Хуанга, в будущих исследованиях можно будет изучить, какие еще важные квантовые задачи могут решить классическое машинное обучение.


Источник: involta.media

Комментарии: