Các nhà nghiên cứu tăng cường các thuật toán học máy lượng tử

Các nhà nghiên cứu tăng cường các thuật toán học máy lượng tử

(Nguồn: https://www.sciencedaily.com/)

Nghiên cứu của một giáo sư Đại học Bang Florida có thể giúp máy tính lượng tử thực hiện lời hứa là một công cụ tính toán mạnh mẽ. 

William Oates, Giáo sư Kỹ thuật Cơ khí của Cummins Inc. và chủ nhiệm Khoa Cơ khí tại Đại học Kỹ thuật FAMU-FSU, và nhà nghiên cứu sau tiến sĩ Guanglei Xu đã tìm ra cách tự động suy ra các tham số được sử dụng trong một thuật toán máy Boltzmann lượng tử quan trọng cho các ứng dụng của học máy. 

Phát hiện của họ đã được công bố trên tạp chí Scientific Reports. 

Công trình này có thể giúp xây dựng các mạng nơ-ron nhân tạo có thể được sử dụng để huấn luyện máy tính giải quyết các vấn đề phức tạp, liên kết với nhau như nhận dạng hình ảnh, phát hiện thuốc và tạo ra các vật liệu mới. 

Oates nói: “Có một niềm tin rằng điện toán lượng tử, khi nó xuất hiện trực tuyến và phát triển nhờ sức mạnh tính toán, có thể cung cấp cho bạn một số công cụ mới, nhưng tìm ra cách lập trình nó và cách áp dụng nó trong một số ứng dụng nhất định là một câu hỏi lớn. 

Các bit lượng tử, không giống như các bit nhị phân trong một máy tính tiêu chuẩn, có thể tồn tại ở nhiều trạng thái tại một thời điểm, một khái niệm được gọi là chồng chất. Việc đo trạng thái của một bit lượng tử - hay qubit (quantum bit) - làm cho nó mất trạng thái đặc biệt đó, vì vậy máy tính lượng tử hoạt động bằng cách tính toán xác suất trạng thái của qubit trước khi nó được quan sát. 

Máy tính lượng tử chuyên dụng được gọi là máy ủ lượng tử là một công cụ để thực hiện loại tính toán này. Chúng hoạt động bằng cách biểu diễn mỗi trạng thái của qubit dưới dạng mức năng lượng. Trạng thái năng lượng thấp nhất trong số các qubit của nó mang lại giải pháp cho một vấn đề. Kết quả là một cỗ máy có thể xử lý các hệ thống phức tạp, được kết nối với nhau mà một máy tính thông thường sẽ mất rất nhiều thời gian để tính toán - như xây dựng một mạng nơ-ron.

Một cách để xây dựng mạng nơ-ron là sử dụng máy Boltzmann hạn chế (restricted Boltzmann machine), một thuật toán sử dụng xác suất để học dựa trên các đầu vào được cung cấp cho mạng. Oates và Xu đã tìm ra cách tự động tính toán một thông số quan trọng liên quan đến nhiệt độ hiệu dụng được sử dụng trong thuật toán đó. Các máy Boltzmann hạn chế thường đoán ở tham số đó, điều này yêu cầu thử nghiệm để xác nhận và có thể thay đổi bất cứ khi nào máy tính được yêu cầu điều tra một vấn đề mới. 

“Tham số đó trong mô hình sao chép lại những gì mà nhà ủ lượng tử đang làm,” Oates nói. "Nếu bạn có thể ước tính chính xác nó, bạn có thể đào tạo mạng lưới thần kinh của mình hiệu quả hơn và sử dụng nó để dự đoán mọi thứ."