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, o professor Cummins Inc. de Engenharia Mecânica e presidente do Departamento de Engenharia Mecânica da FAMU-FSU College of Engineering, e o pesquisador de pós-doutorado Guanglei Xu descobriu uma maneira de inferir automaticamente os parâmetros usados ​​em um importante algoritmo de máquina de Boltzmann quântico para aplicativos de aprendizado de máquina.

Suas descobertas foram publicadas em Relatórios Científicos .

O trabalho pode ajudar a construir redes neurais artificiais que podem ser usadas para treinar computadores para resolver problemas complicados, problemas interconectados, como reconhecimento de imagem, descoberta de medicamentos e criação de novos materiais.

"Existe uma crença de que a computação quântica, à medida que fica online e cresce em poder computacional, pode fornecer algumas novas ferramentas, mas descobrir como programá-lo e como aplicá-lo em certos aplicativos é uma grande questão, "Oates disse.

Bits quânticos, ao contrário dos bits binários em um computador padrão, pode existir em mais de um estado ao mesmo tempo, um conceito conhecido como superposição. Medir o estado de um bit quântico - ou qubit - faz com que ele perca esse estado especial, portanto, 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 que pode lidar com coisas complicadas, sistemas interconectados que um computador normal levaria muito tempo para 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 de Boltzmann restritas normalmente adivinham nesse parâmetro em vez disso, que requer teste para confirmação e pode mudar sempre que o computador for solicitado a investigar um novo problema.

"Esse parâmetro no modelo replica o que o recozedor quântico está fazendo, "Oates disse." Se você pode estimar com precisão, você pode treinar sua rede neural com mais eficácia e usá-la para prever coisas. "