BT

Disseminando conhecimento e inovação em desenvolvimento de software corporativo.

Contribuir

Tópicos

Escolha a região

Início Notícias Explorando o relacionamento entre computadores quânticos e aprendizado de máquina

Explorando o relacionamento entre computadores quânticos e aprendizado de máquina

Favoritos

Uma importante área de pesquisa em computação quântica diz respeito à aplicação de computadores quânticos ao treinamento de redes neurais quânticas. A equipe do Google IA Quantum publicou recentemente dois artigos que contribuem para a exploração da relação entre computadores quânticos e aprendizado de máquina.

No primeiro dos dois artigos, "Classification with Quantum Neural Networks on Near Term Processors", os pesquisadores do Google propõem um modelo de redes neurais que se ajusta à limitação dos processadores quânticos atuais, especificamente os de altos níveis de ruído quântico e com papel chave de correção de erro.

O segundo artigo, "Barren Plateaux in Quantum Neural Network Training Landscapes", explora algumas peculiaridades da geometria quântica que parecem evitar uma grande questão com as redes neurais clássicas, conhecidas como o problema dos desaparecimentos ou gradientes de explosão.

O InfoQ aproveitou para conversar com o pesquisador sênior do Google, Jarrod McClean, para entender melhor a importância desses resultados e ajudar a estruturá-los em um contexto mais amplo.

InfoQ: Qual a importância dos resultados apresentados nos dois artigos recentes da equipe do Google IA Quantum?

Jarrod McClean: O post foca em dois resultados bastante distintos em redes neurais quânticas. O primeiro mostra um método geral pelo qual se pode usar redes neurais quânticas para atacar tarefas de classificação tradicionais. Achamos que isso pode ser importante como uma estrutura para explorar o poder dos dispositivos quânticos aplicados às tarefas e problemas tradicionais de aprendizado de máquina. Nos casos em que só podemos conjecturar as vantagens da computação quântica, será importante avaliar o desempenho empiricamente e isso fornece uma estrutura desse tipo.

O segundo resultado é sobre a existência de um fenômeno fundamental e interessante no treinamento de redes neurais quânticas. Isso reflete o fato de que uma randomização suficiente em um circuito quântico pode agir quase como um buraco negro, tornando muito difícil obter informações de volta. No entanto, essas armadilhas podem ser evitadas com estratégias inteligentes, e a importância deste trabalho foi mostrar quando esperar essas armadilhas e como detectá-las. Acreditamos que esse conhecimento será crítico na criação de estratégias eficazes de treinamento para computadores quânticos.

InfoQ: Para onde a equipe do Google IA Quantum está direcionando suas pesquisas? Quais são seus próximos objetivos?

McClean: O principal objetivo do grupo é demonstrar uma tarefa além da clássica em nosso chip quântico, também conhecida como "supremacia quântica". Em paralelo, estamos interessados no desenvolvimento de aplicações de curto prazo para executar nos chamados dispositivos quânticos e em escala intermediária quântica (NISQ). O desenvolvimento de tais algoritmos e aplicações é um objetivo-chave, e nossas três principais áreas de interesse são a simulação quântica de sistemas físicos, otimização combinatória e aprendizado de máquina quântica.

InfoQ: Qual é a promessa por trás do aprendizado quântico da máquina?

McClean: O aprendizado de máquina quântica tem tradicionalmente apresentado pelo menos duas vantagens potenciais. O primeiro é acelerar ou melhorar o treinamento das redes clássicas existentes. Esse ângulo não exploramos em nosso trabalho recente.

A segunda é a ideia de que as redes quânticas podem representar mais concisamente distribuições de probabilidade interessantes do que suas contrapartes clássicas. Essa idéia é baseada no conhecimento de que existem distribuições de probabilidade quântica que sabemos ser difíceis de serem classificadas classicamente.

Se essa distinção entre distribuições se mostrasse verdadeira mesmo para dados clássicos, isso poderia significar classificadores de aprendizado de máquina mais precisos para custos menores ou erros de generalização potencialmente melhores no treinamento. No entanto, quero deixar claro que os benefícios nessa área no momento são amplamente conjecturados no caso de dados clássicos, e, como no caso do aprendizado de máquina clássico, a prova pode ser primeiro empírica. Por essa razão, nesses dois trabalhos, tentamos melhorar as capacidades de testar essa idéia na prática, na esperança de que dispositivos quânticos em um futuro próximo nos permitam explorar essa possibilidade.

A supremacia quântica é a conjectura de que os computadores quânticos têm a capacidade de resolver problemas que os computadores clássicos não conseguem. Essa é uma das áreas mais quentes de pesquisa em computação quântica que envolve praticamente todas as grandes empresas, incluindo Google, IBM, Microsoft e outras. No caso do Google, a empresa pretende demonstrar a supremacia quântica construindo um processador quântico de 50 qubits e usando a simulação de lançamentos de moeda como campo de batalha para a prova.

Avalie esse artigo

Relevância
Estilo/Redação

Conteúdo educacional

BT