Et team av forskere tilknyttet flere institusjoner i USA, inkludert Google Quantum AI, og en kollega i Australia, har utviklet en teori som antyder at kvantedatamaskiner bør være eksponentielt raskere på enkelte læringsoppgaver enn klassiske maskiner. I papiret deres publisert i tidsskriftet Vitenskap, beskriver gruppen deres teori og resultater når de ble testet på Googles Sycamore kvantedatamaskin. Vedran Dunjko med Leiden University City har publisert et Perspective-stykke i samme tidsskriftutgave som skisserer ideen bak å kombinere kvantedatabehandling med maskinlæring for å gi et nytt nivå av datamaskinbaserte læringssystemer.
Maskinlæring er et system der datamaskiner trent med datasett gjør informerte gjetninger om nye data. Og kvanteberegning innebærer å bruke subatomære partikler for å representere qubits som et middel for å utføre applikasjoner mange ganger raskere enn det som er mulig med klassiske datamaskiner. I denne nye innsatsen vurderte forskerne ideen om å kjøre maskinlæringsapplikasjoner på kvantedatamaskiner, muligens gjøre dem bedre til å lære, og dermed mer nyttige.
For å finne ut om ideen kan være mulig, og enda viktigere, hvis resultatene ville være bedre enn de som ble oppnådd på klassiske datamaskiner, stilte forskerne problemet på en ny måte – de utviklet en maskinlæring oppgave som ville læres via eksperimenter gjentatt mange ganger. De utviklet deretter teorier som beskrev hvordan et kvantesystem kunne brukes til å utføre slike eksperimenter og lære av dem. De fant ut at de var i stand til å bevise at et kvante datamaskin kunne gjøre det, og at det kunne gjøre det mye bedre enn et klassisk system. Faktisk fant de en reduksjon i det nødvendige antallet eksperimenter som trengs for å lære et konsept til å være fire størrelsesordener lavere enn for klassiske systemer. Forskerne bygget deretter et slikt system og testet det på Googles Sycamore kvantedatamaskin og bekreftet teorien deres.
Arbeidet antyder at hvis en brukbar kvantedatamaskin med ekte ord noen gang blir utviklet, kan den være i stand til å støtte nye ting i en nesten ufattelig skala.
Entanglement låser opp skalering for kvantemaskinlæring
Hsin-Yuan Huang et al, Quantefordel ved å lære fra eksperimenter, Vitenskap (2022). DOI: 10.1126/science.abn7293
Vedran Dunjko, Quantum learning avdekker kvantesystemet, Vitenskap (2022). DOI: 10.1126/science.abp9885
© 2022 Science X Network
Sitering: Teorien antyder at kvantedatamaskiner bør være eksponentielt raskere på enkelte læringsoppgaver enn klassiske maskiner (2022, 10. juni) hentet 11. juni 2022 fra https://phys.org/news/2022-06-theory-quantum-exponentially-faster-tasks .html
Dette dokumentet er underlagt opphavsrett. Bortsett fra enhver rettferdig handel med formålet med private studier eller forskning, kan ingen del reproduseres uten skriftlig tillatelse. Innholdet er kun gitt for informasjonsformål.