Möjligheten att bearbeta kvantdata direkt med en kvantenhet (höger) gör att man kan lösa aspekter av vårt universum exponentiellt snabbare än att gå igenom en klassisk intermediär (vänster). Detta kan göra det möjligt för oss att upptäcka nya fysiska fenomen som skulle ha varit praktiskt taget osynliga utan sådan teknik. Kredit:Google Quantum AI Hook
Ett team av forskare anslutna till flera institutioner i USA, inklusive Google Quantum AI, och en kollega i Australien, har utvecklat en teori som tyder på att kvantdatorer borde vara exponentiellt snabbare på vissa inlärningsuppgifter än klassiska maskiner. I deras artikel publicerad i tidskriften Science , beskriver gruppen sin teori och resultat när de testades på Googles kvantdator Sycamore. Vedran Dunjko med Leiden University City har publicerat ett Perspective-stycke i samma tidskriftsnummer som beskriver idén bakom att kombinera kvantberäkning med maskininlärning för att ge en ny nivå av datorbaserade inlärningssystem.
Maskininlärning är ett system genom vilket datorer som tränas med datauppsättningar gör välgrundade gissningar om ny data. Och kvantberäkning innebär att man använder subatomära partiklar för att representera qubits som ett sätt att utföra tillämpningar många gånger snabbare än vad som är möjligt med klassiska datorer. I denna nya ansträngning övervägde forskarna idén att köra maskininlärningsapplikationer på kvantdatorer, vilket möjligen skulle göra dem bättre på att lära sig och därmed mer användbara.
För att ta reda på om idén kunde vara möjlig, och ännu viktigare, om resultaten skulle vara bättre än de som uppnåddes på klassiska datorer, ställde forskarna problemet på ett nytt sätt - de utarbetade en maskininlärningsuppgift som skulle lära sig via experiment upprepade många gånger om. De utvecklade sedan teorier som beskrev hur ett kvantsystem kunde användas för att genomföra sådana experiment och för att lära av dem. De fann att de kunde bevisa att en kvantdator kunde göra det, och att den kunde göra det mycket bättre än ett klassiskt system. Faktum är att de fann att en minskning av det nödvändiga antalet experiment som behövs för att lära sig ett koncept var fyra storleksordningar lägre än för klassiska system. Forskarna byggde sedan ett sådant system och testade det på Googles kvantdator Sycamore och bekräftade deras teori.
Arbetet antyder att om en användbar kvantdator med riktiga ord någonsin utvecklas, kan den vara kapabel att luta nya saker i en nästan ofattbar skala. + Utforska vidare
© 2022 Science X Network
