Fysiker har utvecklat en kvantmaskininlärningsalgoritm som kan hantera oändliga dimensioner – det vill säga, det fungerar med kontinuerliga variabler (som har ett oändligt antal möjliga värden på ett stängt intervall) istället för de typiskt använda diskreta variablerna (som bara har ett begränsat antal värden).

Forskarna, Hoi-Kwan Lau et al., har publicerat en uppsats om generalisering av kvantmaskininlärning till oändliga dimensioner i ett nyligen utgåva av Fysiska granskningsbrev .

Som fysikerna förklarar, kvantmaskininlärning är ett nytt delområde inom kvantinformationsområdet som kombinerar kvantberäkningens hastighet med förmågan att lära sig och anpassa sig, som erbjuds av maskininlärning.

En av de största fördelarna med att ha en kvantmaskininlärningsalgoritm för kontinuerliga variabler är att den teoretiskt kan fungera mycket snabbare än klassiska algoritmer. Eftersom många vetenskapliga och tekniska modeller involverar kontinuerliga variabler, Att tillämpa kvantmaskininlärning på dessa problem kan potentiellt ha långtgående tillämpningar.

"Vårt arbete visar förmågan att dra nytta av fotonik för att utföra maskininlärningsuppgifter på en kvantdator som långt kan överstiga hastigheten för en vanlig dator, "berättade medförfattaren George Siopsis vid University of Tennessee Phys.org . "Kvantmaskininlärning erbjuder också potentiella fördelar såsom lägre energikrav på grund av möjligheten att lagra mer information per qubit, och en mycket låg kostnad per qubit jämfört med annan teknik. "

De flesta kvantmaskininlärningsalgoritmer som utvecklats hittills fungerar bara med problem som involverar diskreta variabler. Att tillämpa kvantmaskininlärning på problem med kontinuerlig variabel kräver ett helt annat tillvägagångssätt.

Att göra detta, fysikerna var tvungna att utveckla en ny uppsättning verktyg som fungerar med kontinuerliga variabler. Detta innebär att de logiska grindarna som används för diskreta variabla tillstånd ersätts med fysiska grindar, som fungerar för kontinuerligt variabla tillstånd. Bygga upp från dessa grundläggande byggstenar i algoritmen, forskarna utvecklade sedan nya metoder som driver problem med kvantmaskininlärning, kallade subrutiner, som representeras av matriser och vektorer.

Även om resultaten av studien är rent teoretiska, fysikerna förväntar sig att den nya algoritmen för kontinuerliga variabler kan implementeras experimentellt med hjälp av nuvarande tillgänglig teknik. Implementeringen kan göras på flera sätt, till exempel genom att använda optiska system, spinnsystem, eller fångade atomer. Oavsett typ av system, genomförandet skulle vara utmanande. Till exempel, en optisk implementering som forskarna beskrev här skulle kräva några av de senaste teknikerna, såsom "katttillstånd" (en överlagring av "0"- och "1"-tillstånden) och höga klämhastigheter (för att minska kvantbrus).

I framtiden, forskarna hoppas kunna ytterligare undersöka hur kontinuerligt variabel kvantmaskininlärning kan utökas för att replikera några av de senaste resultaten med diskreta variabler. En annan intressant väg att följa är en hybrid strategi, som skulle kombinera metoderna för både diskreta och kontinuerliga variabler i en enda algoritm.

© 2017 Phys.org