p Os físicos desenvolveram um algoritmo de aprendizado de máquina quântica que pode lidar com dimensões infinitas, ou seja, ele funciona com variáveis ​​contínuas (que têm um número infinito de valores possíveis em um intervalo fechado) em vez das variáveis ​​discretas normalmente usadas (que têm apenas um número finito de valores). p Os pesquisadores, Hoi-Kwan Lau et al., publicaram um artigo sobre a generalização do aprendizado de máquina quântica para dimensões infinitas em uma edição recente da Cartas de revisão física .

p Como explicam os físicos, O aprendizado de máquina quântica é um novo subcampo dentro do campo da informação quântica que combina a velocidade da computação quântica com a capacidade de aprender e se adaptar, conforme oferecido pelo aprendizado de máquina.

p Uma das maiores vantagens de ter um algoritmo de aprendizado de máquina quântica para variáveis ​​contínuas é que ele pode teoricamente operar muito mais rápido do que os algoritmos clássicos. Uma vez que muitos modelos de ciência e engenharia envolvem variáveis ​​contínuas, aplicar o aprendizado de máquina quântico a esses problemas pode ter aplicações de longo alcance.

p "Nosso trabalho demonstra a capacidade de tirar proveito da fotônica para realizar tarefas de aprendizado de máquina em um computador quântico que pode exceder em muito a velocidade de qualquer computador convencional, "o co-autor George Siopsis da Universidade do Tennessee disse Phys.org . "O aprendizado de máquina quântico também oferece vantagens potenciais, como menores requisitos de energia devido à capacidade de armazenar mais informações por qubit, e um custo por qubit muito baixo em comparação com outras tecnologias. "

p A maioria dos algoritmos de aprendizado de máquina quântica desenvolvidos até agora funcionam apenas com problemas envolvendo variáveis ​​discretas. Aplicar o aprendizado de máquina quântico a problemas de variáveis ​​contínuas requer uma abordagem muito diferente.

p Para fazer isso, os físicos tiveram que desenvolver um novo conjunto de ferramentas que funcionasse com variáveis ​​contínuas. Isso envolve a substituição das portas lógicas que são usadas para estados de variáveis ​​discretas por portas físicas, que funcionam para estados de variáveis ​​contínuas. Construindo a partir desses blocos de construção básicos do algoritmo, os cientistas desenvolveram novos métodos que alimentam os problemas de aprendizado de máquina quântica, chamadas sub-rotinas, que são representados por matrizes e vetores.

p Embora os resultados do estudo sejam puramente teóricos, os físicos esperam que o novo algoritmo para variáveis ​​contínuas possa ser implementado experimentalmente usando a tecnologia disponível atualmente. A implementação pode ser feita de várias maneiras, como o uso de sistemas ópticos, sistemas de rotação, ou átomos presos. Independentemente do tipo de sistema, a implementação seria um desafio. Por exemplo, uma implementação óptica que os cientistas descritos aqui exigiria algumas das tecnologias mais recentes, como "estados de gato" (uma superposição dos estados "0" e "1") e altas taxas de compressão (para reduzir o ruído quântico).

p No futuro, os cientistas esperam investigar mais como o aprendizado de máquina quântica de variável contínua pode ser estendido para replicar alguns dos resultados mais recentes envolvendo variáveis ​​discretas. Outro caminho interessante a seguir é uma abordagem híbrida, que combinaria os métodos de variáveis ​​discretas e contínuas em um único algoritmo. p © 2017 Phys.org