Des chercheurs améliorent les algorithmes d’apprentissage automatique quantique –

William Oates, professeur en génie mécanique de Cummins Inc. et président du département de génie mécanique du FAMU-FSU College of Engineering, et le chercheur postdoctoral Guanglei Xu ont trouvé un moyen d’inférer automatiquement les paramètres utilisés dans un algorithme de machine quantique important de Boltzmann pour la machine applications d’apprentissage.

Leurs résultats ont été publiés dans Rapports scientifiques.

Le travail pourrait aider à construire des réseaux de neurones artificiels qui pourraient être utilisés pour former les ordinateurs à résoudre des problèmes complexes et interconnectés tels que la reconnaissance d’images, la découverte de médicaments et la création de nouveaux matériaux.

“On croit que l’informatique quantique, lorsqu’elle est en ligne et se développe en puissance de calcul, peut vous fournir de nouveaux outils, mais trouver comment le programmer et comment l’appliquer dans certaines applications est une grande question”, a déclaré Oates.

Les bits quantiques, contrairement aux bits binaires dans un ordinateur standard, peuvent exister dans plus d’un état à la fois, un concept connu sous le nom de superposition. La mesure de l’état d’un bit quantique – ou qubit – lui fait perdre cet état spécial, de sorte que les ordinateurs quantiques fonctionnent en calculant la probabilité de l’état d’un qubit avant qu’il ne soit observé.

Les ordinateurs quantiques spécialisés connus sous le nom de recuits quantiques sont un outil pour faire ce type de calcul. Ils fonctionnent en représentant chaque état d’un qubit comme un niveau d’énergie. L’état d’énergie le plus bas parmi ses qubits donne la solution à un problème. Le résultat est une machine qui pourrait gérer des systèmes complexes et interconnectés qui prendraient beaucoup de temps à un ordinateur ordinaire pour calculer – comme la construction d’un réseau neuronal.

Une façon de créer des réseaux de neurones consiste à utiliser une machine Boltzmann restreinte, un algorithme qui utilise la probabilité pour apprendre en fonction des entrées données au réseau. Oates et Xu ont trouvé un moyen de calculer automatiquement un paramètre important associé à la température effective qui est utilisé dans cet algorithme. Les machines Boltzmann restreintes devinent généralement ce paramètre à la place, ce qui nécessite des tests pour confirmer et peut changer chaque fois que l’ordinateur est invité à enquêter sur un nouveau problème.

“Ce paramètre dans le modèle reproduit ce que fait le recuit quantique”, a déclaré Oates. “Si vous pouvez l’estimer avec précision, vous pouvez entraîner votre réseau neuronal plus efficacement et l’utiliser pour prédire les choses.”

Cette recherche a été financée par Cummins Inc. et a utilisé les ressources de l’Oak Ridge Leadership Computing Facility, qui est une installation utilisateur du DOE Office of Science.

Source de l’histoire:

Matériaux fourni par Université d’État de Floride. Original écrit par Bill Wellock. Remarque: le contenu peut être modifié pour le style et la longueur.