La investigación de un profesor de la Universidad Estatal de Florida podría ayudar al aprendizaje automático cuántico como una poderosa herramienta computacional.
William Oates, profesor de Ingeniería Mecánica de Cummins Inc. y presidente del Departamento de Ingeniería Mecánica de la Facultad de Ingeniería FAMU-FSU, y el investigador postdoctoral Guanglei Xu encontraron una manera de inferir automáticamente los parámetros utilizados en un importante algoritmo cuántico de máquina de Boltzmann para aplicaciones de aprendizaje.
Publican hallazgos de aprendizaje automático cuántico en Scientific Reports
El trabajo podría ayudar a construir redes neuronales artificiales que podrían usarse para entrenar computadoras para resolver problemas complicados e interconectados como el reconocimiento de imágenes, el descubrimiento de fármacos y la creación de nuevos materiales.
«Existe la creencia de que la computación cuántica, a medida que se pone en línea y crece en potencia computacional, puede proporcionar algunas herramientas nuevas, pero descubrir cómo programarla y cómo aplicarla en ciertas aplicaciones es una gran pregunta», dijo Oates.
Las computadoras cuánticas especializadas conocidas como annealers cuánticos son una herramienta para realizar este tipo de computación. Funcionan representando cada estado de un qubit como un nivel de energía. El estado de energía más bajo entre sus qubits da la solución a un problema. El resultado es una máquina que podría manejar sistemas complicados e interconectados que a una computadora normal le tomaría mucho tiempo calcular, como construir una red neuronal.
Una forma de construir redes neuronales es mediante el uso de una máquina de Boltzmann restringida, un algoritmo que usa la probabilidad para aprender basándose en las entradas dadas a la red. Oates y Xu encontraron una manera de calcular automáticamente un parámetro importante asociado con la temperatura efectiva que se utiliza en ese algoritmo. Las máquinas de Boltzmann restringidas generalmente adivinan ese parámetro, que requiere pruebas para confirmar y puede cambiar cada vez que se le pide a la computadora que investigue un nuevo problema.
«Ese parámetro en el modelo replica lo que está haciendo el annealer cuántico», dijo Oates. «Si puede estimarlo con precisión, puede entrenar su red neuronal de manera más efectiva y usarla para predecir cosas».
