فیزیکدانان، الگوریتم یادگیری ماشینی کوانتومی را ارتقا دادند به گونه ای که قادر است با متغیرهای پیوسته سرو کار داشته باشد. بنابر مقاله ای که در ژورنالPhysical Review Letters منتشر شده، در این الگوریتم به جای کار با متغیرهای گسسته (متغیرهایی در یک بازه مشخص دارای مقادیر معین)، از متغیرهای پیوسته (متغیرهایی در بازه ای مشخص دارای بینهایت مقدار)، استفاده می‌شود. با دیپ لوک همراه باشید…
یادگیری ماشینی کوانتومی زیرشاخه‌ی نسبتا جدیدی از اطلاعات کوانتومی است که ترکیبی از قابلیت یادگیری و انطباق با سرعت محاسبات کوانتومی است. یکی از بزرگترین مزیتهای این الگوریتم یادگیری ماشینی کوانتومی برای متغیرهای پیوسته، این است که به لحاظ نظری، نسبت به نوع کلاسیکی خود، عملکردی بسیار سریع تر دارد. از آنجاکه بسیاری از مدلها در علوم و مهندسی با متغیرهای پیوسته کار می‌کنند، این الگوریتم یادگیری ماشینی کوانتومی می‌تواند نقش مهمی در حل مشکلات بالقوه‌ی این حوزه‌ها داشته باشد.
محققان معتقدند این الگوریتم، قابلیت استفاده از علم فوتونیک برای اجرای یادگیری ماشینی در کامپیوتر کوانتومی را نشان می‌دهد که نسبت به کامپیوترهای سنتی، بسیار سریع‌تر است. از طرفی، یادگیری ماشینی کوانتومی مزایای چشمگیر دیگری از جمله مصرف انرژی کم‌تر با توان ذخیره‌ی اطلاعات بیشتر در هر کیوبیت و هزینه بسیار پایین کیوبیت نسبت به سایر فناوریها را داراست.
بیشتر الگوریتم های یادگیری ماشینی کوانتومی که تاکنون ساخته شده، تنها برای کار بر روی متغیرهای گسسته سازماندهی شده‌اند. استفاده از الگوریتم یادگیری ماشینی کوانتومی که روی متغیرهای پیوسته کار می‌کند، به رویکردی بسیار متفاوت نیاز دارد. بدین منظور، فیزیکدانان مجبور به توسعه و ساخت مجموعه‌ی جدیدی از ابزارهایی که با متغیرهای پیوسته همخوانی دارند، هستند، در واقع آنها ملزم به جایگزینی گیت‌های فیزیکی (با متغیرهای پیوسته) با گیت‌های منطقی ریاضی (با حالات گسسته) هستند.
دانشمندان به کمک این اجزای سازنده، روش‌های جدیدی توسعه داده‌اند که می‌تواند مشکلات یادگیری ماشینی کوانتومی را حل کند. هرچند نتایج این بررسی‌ها، صرفا نظری است، اما فیزیکدانان به پیاده‌سازی تجربی الگوریتم‌های با متغیرهای پیوسته و به کمک تکنولوژی های موجود، امیدوار هستند. این امر می‌تواند از روش‌های مختلفی نظیر استفاده از سیستم‌های اپتیکی یا نوری، سیستم‌های چرخشی (اسپینی) و یا اتم به‌دام افتاده میسر شود. این کار صرف نظر از نوع سیستم، دشوار است؛ مثلا یک روش اپتیکی که دانشمندان به آن دست یافته اند، نیازمند استفاده از جدیدترین تکنولوژی‌ها، از جمله برهم نهی حالات صفر و یک، و همچنین نرخ بالای فشرده‌سازی برای کاهش نویز کوانتومی است. با این‌حال دانشمندان همواره به تکرار برخی از جدیدترین نتایج مربوط به متغیرهای گسسته و هم چنین بررسی‌های بیشتر در این زمینه در آینده ای نه چندان دور امیدوارند.
مقاله اصلی را در زیر مشاهده کنید:
[gview file=”http://www.deeplook.ir/wp-content/uploads/2017/03/10.1103@PhysRevLett.118.080501.pdf” profile=”3″ save=”1″]
