FİZİKÇİLER, KUANTUM MAKİNE ÖĞRENİMİNİ SONSUZ BOYUTLARA TAŞIYOR
Yeni kuantum makine öğrenme algoritmasını sonsuz boyutlara uygulamak için kullanılabilecek önerilen optik kurulum.
Fizikçiler tipik olarak kullanılan ayrık değişkenler yerine sürekli değişkenlerle çalışan, sonsuz boyutları işleyebilen bir kuantum makine öğrenme algoritması geliştirdiler.
Fizikçiler tarafından açıklandığı üzere, kuantum makine öğrenimi, kuantum bilgisinin alanı içinde, kuantum bilgisayar işleminin hızını, makine öğrenimi tarafından sunulan öğrenme ve uyarlama kabiliyetini birleştiren yeni bir alt alandır.
Kesintisiz değişkenler için bir kuantum makine öğrenme algoritmasına sahip olmanın en büyük avantajlarından biri teorik olarak klasik algoritmalardan çok daha hızlı çalışabilmesidir. Birçok bilim ve mühendislik modelinde kesintisiz değişkenler bulunduğu için, bu problemlere kuantum makine öğrenimi uygulanması potansiyel olarak çok geniş kapsamlı uygulamalara sahip olabilir.
Tennessee Üniversitesi'nden otoriter George Siopsis, yaptığı açıklamada, "Çalışmalarımız, geleneksel bir bilgisayarın hızını aşan bir kuantum bilgisayarda makine öğrenme görevlerini yerine getirmek için fotonik özelliklerden yararlanma yeteneğini gösteriyor" diye belirtti. "Kuantum makine öğrenimi, qubit başına daha fazla bilgi depolamak ve diğer teknolojilere kıyasla qubit başına çok düşük bir maliyetle düşük enerji gereksinimleri gibi potansiyel avantajlar da sunuyor".
Şimdiye kadar geliştirilen çoğu kuantum makine öğrenme algoritması, yalnızca ayrık değişkenleri içeren problemlerle çalışır. Sürekli değişken problemlere kuantum makine öğrenimi uygulamak çok farklı bir yaklaşım gerektirir.
Bunu yapmak için, fizikçiler sürekli değişkenlerle çalışan yeni araçlar geliştirmeliydi. Bu, kesikli değişken durumlar için kullanılan mantık kapılarını, sürekli değişken durumlar için çalışan fiziksel kapılarla değiştirmeyi içerir. Bilim adamları daha sonra, algoritmanın bu temel yapı taşlarından oluşturulmuş olan matematik ve vektörlerle temsil edilen, kuantum makine öğrenme problemlerini güçlendiren, altprogramlar olarak adlandırılan yeni yöntemler geliştirdiler.
Çalışmanın sonuçları tamamen teorik olmasına rağmen, fizikçiler sürekli değişkenler için yeni algoritmanın deneysel olarak mevcut teknoloji kullanılarak uygulanabileceğini düşünüyorlar.
Uygulama, optik sistemler, döndürme sistemleri veya sıkışmış atomlar gibi çeşitli şekillerde yapılabilir. Örneğin, bilim adamlarının burada özetlediği optik bir uygulama, "CAT STATES Computer Aided Translation (Bilgisayar Destekli Çeviri)" ve yüksek sıkıştırma oranları gibi en yeni teknolojilerin bazılarını gerektirir.
Gelecekte, bilim insanları, sürekli değişen kuantum makine öğrenmenin, ayrık değişkenleri içeren en yeni sonuçların bazılarını çoğaltmak için nasıl genişletilebileceğini daha da araştırmayı umuyorlar. Tek bir algoritmada, hem kesikli hem de sürekli değişkenlerin yöntemlerini bir araya getirecek olan hibrid bir yaklaşımı izlemek için bir başka ilginç yol oluşturduk.
Çeviri: Celal DEMİRTAŞ
Daha Fazla:Hoi-Kwan Lau, Raphael Pooser, George Siopsis, and Christian Weedbrook. "Quantum Machine Learning over Infinite Dimensions." Physical Review Letters. DOI: 10.1103/PhysRevLett.118.080501 Also at arXiv:1603.06222 [quant-ph]
Referens Dergi:Physical Review Letters
Yayınlama tarihi: 07.03.2017