Машинное обучение реализовано на квантовых компьютерах

Квантовые компьютеры используют экспоненциально большее пространство состояний по сравнению с классическими машинами. Это ускоряет решение некоторых задач.

Американо-британской группой показана возможность реализации машинного обучения на квантовых компьютерах. Это позволяет ускорить решение некоторых задач по классификации, для которых классические алгоритмы вычислительно дороги.

Машинное обучение и квантовые вычисления-это две технологии, каждая из которых может изменить способ выполнения вычислений для решения ранее неприемлемых проблем. Методы ядра для машинного обучения вездесущи в распознавании образов, с поддержкой векторных машин (SVMs) является наиболее известным методом для задач классификации. Однако существуют ограничения для успешного решения таких проблем классификации, когда пространство объектов становится большим, а функции ядра становятся вычислительно дорогими для оценки. Ключевым элементом в вычислительных ускорениях, поддерживаемых квантовыми алгоритмами, является использование экспоненциально большого квантового пространства состояний через управляемую запутанность и интерференцию. Здесь мы предлагаем и экспериментально реализуем два квантовых алгоритма на сверхпроводящем процессоре. Ключевым компонентом обоих методов является использование квантового пространства состояний в качестве пространства объектов. Использование квантово-расширенного пространства функций, которое эффективно доступно только на квантовом компьютере, обеспечивает возможный путь к квантовому преимуществу. Алгоритмы решают задачу контролируемого обучения: построение классификатора. Один из методов, квантовый вариационный классификатор, использует вариационный квантовый контур1, 2 для классификации данных способом, аналогичным методу обычных SVMs. Другой метод, квантовый оценщик ядра, оценивает функцию ядра на квантовом компьютере и оптимизирует классический SVM. Эти два метода предоставляют инструменты для изучения приложений шумных квантовых вычислителей промежуточного масштаба3 для машинного обучения.

Источник: www.nature.com

Комментарии: