Les recherches d'un professeur de la Florida State University pourraient aider l'informatique quantique à tenir ses promesses en tant qu'outil de calcul puissant.

William Oates, le professeur Cummins Inc. en génie mécanique et président du département de génie mécanique du FAMU-FSU College of Engineering, et le chercheur postdoctoral Guanglei Xu a trouvé un moyen de déduire automatiquement les paramètres utilisés dans un important algorithme de machine quantique de Boltzmann pour les applications d'apprentissage automatique.

Leurs conclusions ont été publiées dans Rapports scientifiques .

Le travail pourrait aider à créer des réseaux de neurones artificiels qui pourraient être utilisés pour entraîner des ordinateurs à résoudre des problèmes complexes, problèmes interconnectés comme la reconnaissance d'images, la découverte de médicaments et la création de nouveaux matériaux.

"Il y a une croyance que l'informatique quantique, au fur et à mesure de sa mise en ligne et de sa puissance de calcul, peut vous fournir de nouveaux outils, mais savoir comment le programmer et comment l'appliquer dans certaines applications est une grande question, " a déclaré Oates.

Bits quantiques, contrairement aux bits binaires dans un ordinateur standard, peut exister dans plusieurs états à la fois, un concept connu sous le nom de superposition. Mesurer l'état d'un bit quantique - ou qubit - lui fait perdre cet état spécial, les ordinateurs quantiques fonctionnent donc en calculant la probabilité de l'état d'un qubit avant qu'il ne soit observé.

Les ordinateurs quantiques spécialisés connus sous le nom de recuits quantiques sont un outil pour effectuer ce type de calcul. Ils fonctionnent en représentant chaque état d'un qubit comme un niveau d'énergie. L'état d'énergie le plus bas parmi ses qubits donne la solution à un problème. Le résultat est une machine qui pourrait gérer des tâches compliquées, des systèmes interconnectés dont le calcul prendrait beaucoup de temps à un ordinateur ordinaire, comme la construction d'un réseau de neurones.

Une façon de construire des réseaux de neurones consiste à utiliser une machine de Boltzmann restreinte, un algorithme qui utilise la probabilité pour apprendre en fonction des entrées fournies au réseau. Oates et Xu ont trouvé un moyen de calculer automatiquement un paramètre important associé à la température effective qui est utilisé dans cet algorithme. Les machines Boltzmann restreintes devinent généralement ce paramètre à la place, qui nécessite des tests pour confirmer et peut changer chaque fois que l'ordinateur est invité à enquêter sur un nouveau problème.

"Ce paramètre dans le modèle reproduit ce que fait le recuit quantique, " dit Oates. " Si vous pouvez l'estimer avec précision, vous pouvez entraîner votre réseau de neurones plus efficacement et l'utiliser pour prédire les choses."