Los físicos han desarrollado un algoritmo de aprendizaje automático cuántico que puede manejar dimensiones infinitas, es decir, funciona con variables continuas (que tienen un número infinito de valores posibles en un intervalo cerrado) en lugar de las variables discretas que se utilizan normalmente (que tienen sólo un número finito de valores).

Los investigadores, Hoi-Kwan Lau y col., han publicado un artículo sobre la generalización del aprendizaje automático cuántico a dimensiones infinitas en un número reciente de Cartas de revisión física .

Como explican los físicos, El aprendizaje automático cuántico es un nuevo subcampo dentro del campo de la información cuántica que combina la velocidad de la computación cuántica con la capacidad de aprender y adaptarse. como lo ofrece el aprendizaje automático.

Una de las mayores ventajas de tener un algoritmo de aprendizaje automático cuántico para variables continuas es que, en teoría, puede operar mucho más rápido que los algoritmos clásicos. Dado que muchos modelos de ciencia e ingeniería involucran variables continuas, La aplicación del aprendizaje automático cuántico a estos problemas podría tener aplicaciones de gran alcance.

“Nuestro trabajo demuestra la capacidad de aprovechar la fotónica para realizar tareas de aprendizaje automático en una computadora cuántica que podría superar con creces la velocidad de cualquier computadora convencional, ", dijo el coautor George Siopsis de la Universidad de Tennessee Phys.org . "El aprendizaje automático cuántico también ofrece ventajas potenciales, como menores requisitos de energía debido a la capacidad de almacenar más información por qubit, y un costo por qubit muy bajo en comparación con otras tecnologías ".

La mayoría de los algoritmos de aprendizaje automático cuántico desarrollados hasta ahora funcionan solo con problemas que involucran variables discretas. La aplicación del aprendizaje automático cuántico a problemas de variables continuas requiere un enfoque muy diferente.

Para hacer esto, los físicos tuvieron que desarrollar un nuevo conjunto de herramientas que trabajaran con variables continuas. Esto implica reemplazar las puertas lógicas que se utilizan para estados de variables discretas con puertas físicas, que funcionan para estados de variables continuas. Construyendo a partir de estos bloques de construcción básicos del algoritmo, Luego, los científicos desarrollaron nuevos métodos que potencian los problemas de aprendizaje de la máquina cuántica, llamadas subrutinas, que están representados por matrices y vectores.

Aunque los resultados del estudio son puramente teóricos, los físicos esperan que el nuevo algoritmo para variables continuas pueda implementarse experimentalmente utilizando la tecnología disponible actualmente. La implementación se puede realizar de varias formas, como mediante el uso de sistemas ópticos, sistemas de giro, o átomos atrapados. Independientemente del tipo de sistema, la implementación sería un desafío. Por ejemplo, una implementación óptica que los científicos describieron aquí requeriría algunas de las últimas tecnologías, tales como "estados cat" (una superposición de los estados "0" y "1") y altas tasas de compresión (para reducir el ruido cuántico).

En el futuro, Los científicos esperan investigar más a fondo cómo se puede extender el aprendizaje automático cuántico de variables continuas para replicar algunos de los últimos resultados que involucran variables discretas. Otra vía interesante a seguir es un enfoque híbrido, que combinaría los métodos de variables discretas y continuas en un solo algoritmo.

© 2017 Phys.org