A pesquisa de um professor da Florida State University pode ajudar a computação quântica a cumprir sua promessa como uma ferramenta computacional poderosa.
William Oates, professor de Engenharia Mecânica da Cummins Inc. e presidente do Departamento de Engenharia Mecânica da FAMU-FSU College of Engineering, e o pesquisador de pós-doutorado Guanglei Xu encontraram uma maneira de inferir automaticamente os parâmetros usados em um importante algoritmo quântico de máquina de Boltzmann para máquina aplicativos de aprendizagem.
Suas descobertas foram publicadas em Scientific Reports.
O trabalho pode ajudar a construir redes neurais artificiais que podem ser usadas para treinar computadores para resolver problemas complicados e interconectados, como reconhecimento de imagem, descoberta de medicamentos e a criação de novos materiais.
“Há uma crença de que a computação quântica, à medida que se torna online e cresce em poder computacional, pode fornecer algumas novas ferramentas, mas descobrir como programá-la e como aplicá-la em certas aplicações é uma grande questão”, disse Oates.
Os bits quânticos, ao contrário dos bits binários em um computador padrão, podem existir em mais de um estado por vez, um conceito conhecido como superposição. Medir o estado de um bit quântico – ou qubit – faz com que ele perca esse estado especial, então os computadores quânticos funcionam calculando a probabilidade do estado de um qubit antes que ele seja observado.
Computadores quânticos especializados, conhecidos como annealers quânticos, são uma ferramenta para fazer esse tipo de computação. Eles funcionam representando cada estado de um qubit como um nível de energia. O estado de menor energia entre seus qubits fornece a solução para um problema. O resultado é uma máquina capaz de lidar com sistemas complicados e interconectados que demorariam muito para um computador normal calcular – como construir uma rede neural.
Uma maneira de construir redes neurais é usando uma máquina de Boltzmann restrita, um algoritmo que usa probabilidade para aprender com base nas entradas fornecidas à rede. Oates e Xu encontraram uma maneira de calcular automaticamente um parâmetro importante associado à temperatura efetiva que é usado naquele algoritmo. As máquinas Boltzmann restritas costumam adivinhar esse parâmetro, o que requer testes para confirmação e pode ser alterado sempre que o computador for solicitado a investigar um novo problema.
“Esse parâmetro no modelo replica o que o recozedor quântico está fazendo”, disse Oates. “Se você pode estimar com precisão, pode treinar sua rede neural de forma mais eficaz e usá-la para prever coisas.”
Publicado em 17/03/2021 08h45
Artigo original:
Estudo original: