La investigación de un profesor de la Universidad Estatal de Florida podría ayudar a la computación cuántica a cumplir su promesa como una poderosa herramienta computacional.

William Oates, el Profesor Cummins Inc. en Ingeniería Mecánica y presidente del Departamento de Ingeniería Mecánica de la Facultad de Ingeniería FAMU-FSU, y el investigador postdoctoral Guanglei Xu encontró una manera de inferir automáticamente los parámetros utilizados en un importante algoritmo cuántico de la máquina de Boltzmann para aplicaciones de aprendizaje automático.

Sus hallazgos fueron publicados en Informes científicos .

El trabajo podría ayudar a construir redes neuronales artificiales que podrían usarse para entrenar computadoras para resolver problemas complicados, problemas interconectados como el reconocimiento de imágenes, descubrimiento de fármacos y creación de nuevos materiales.

"Existe la creencia de que la computación cuántica, a medida que se conecta y crece en potencia computacional, puede proporcionarle algunas herramientas nuevas, pero descubrir cómo programarlo y cómo aplicarlo en ciertas aplicaciones es una gran pregunta, "Dijo Oates.

Bits cuánticos, a diferencia de los bits binarios en una computadora estándar, puede existir en más de un estado a la vez, un concepto conocido como superposición. Medir el estado de un bit cuántico, o qubit, hace que pierda ese estado especial, por lo que las computadoras cuánticas funcionan calculando la probabilidad del estado de un qubit antes de que se observe.

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 complicados, sistemas 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 utiliza 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 suelen adivinar ese parámetro en su lugar, 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 puedes estimarlo con precisión, puedes entrenar tu red neuronal de manera más efectiva y usarla para predecir cosas ".