Исследователи из бывшего Советского Союза совершенствуют алгоритмы квантового машинного обучения

В университете Флориды сделана попытка реализовать машину Больцмана для того, чтобы решать задачи машинного обучения квантовыми методами.

Множество современных бытовых и научно-технических задач успешно решается с использованием алгоритмов машинного обучения. Физикам удалось обобщить концепцию нейросетей и квантовой системы. Результатом стала квантовая нейросеть, способная потенциально ускорить обучение нейросетей до экспоненциального роста.

Квантовое машинное обучение может стать новым этапом в развитии вычислительной техники. В основе такого обучения лежит использование квантовых данных и аналог классической нейронной модели.

Важной особенностью нового метода обучения должны стать способности преобразовывать не все кубиты, а только те, что необходимы для хранения промежуточных результатов и предсказаний. Это позволяет резко повысить скорость работы алгоритмов над анализируемыми данными за счет наличия «вакантных» кубитов, позволяющих распараллелить вычислительный процесс. В перспективе многие процессы удастся ускорить с многих месяцев до считанных секунд.

Исследования профессора Университета штата Флорида могут помочь квантовым вычислениям выполнить свои обещания в качестве мощного вычислительного инструмента.

Уильям Оутс, профессор машиностроения Cummins Inc. и заведующий кафедрой машиностроения инженерного колледжа FAMU-FSU, а также постдокторский исследователь Гуанлей Сюй нашли способ автоматического вывода параметров, используемых в важном квантовом машинном алгоритме Больцмана для приложений машинного обучения.

Их результаты были опубликованы в Научных отчетах.

Работа может помочь построить искусственные нейронные сети, которые могут быть использованы для обучения компьютеров для решения сложных взаимосвязанных задач, таких как распознавание изображений, обнаружение лекарств и создание новых материалов.

“Существует мнение, что квантовые вычисления, по мере их появления в сети и роста вычислительной мощности, могут предоставить вам некоторые новые инструменты, но выяснить, как их программировать и как применять в определенных приложениях, - это большой вопрос”, - сказал Оутс.

Квантовые биты, в отличие от двоичных битов в стандартном компьютере, могут существовать в более чем одном состоянии одновременно, концепция, известная как суперпозиция. Измерение состояния квантового бита — или кубита — приводит к тому, что он теряет это особое состояние, поэтому квантовые компьютеры работают, вычисляя вероятность состояния кубита до его наблюдения.

Специализированные квантовые компьютеры, известные как квантовые отжигатели, являются одним из инструментов для выполнения этого типа вычислений. Они работают, представляя каждое состояние кубита как энергетический уровень. Самое низкое энергетическое состояние среди его кубитов дает решение проблемы. В результате получается машина, способная обрабатывать сложные, взаимосвязанные системы, для вычисления которых обычному компьютеру потребовалось бы очень много времени — как для построения нейронной сети.

Одним из способов построения нейронных сетей является использование ограниченной машины Больцмана, алгоритма, который использует вероятность для обучения на основе входных данных, заданных сети. Оутс и Сюй нашли способ автоматического вычисления важного параметра, связанного с эффективной температурой, который используется в этом алгоритме. Ограниченные машины Больцмана обычно догадываются об этом параметре, который требует проверки для подтверждения и может изменяться всякий раз, когда компьютер просят исследовать новую проблему.

- Этот параметр в модели повторяет то, что делает квантовый отжигатель, - сказал Оутс. “Если вы можете точно оценить его, вы можете тренировать свою нейронную сеть более эффективно и использовать ее для прогнозирования вещей.”

Это исследование было поддержано компанией Cummins Inc. и использовало ресурсы вычислительного центра Oak Ridge Leadership Computing Facility, который является офисом DOE of Science User Facility.

Источник: news.fsu.edu

Комментарии: