31.03.2021 – 06:35
Cambridge Quantum Computing leistet Pionierarbeit bei Lernmethoden mit Schlussfolgerungsmodellen für Quantenmaschinen
Cambridge, England (ots/PRNewswire)
– Quantengestütztes Schlussfolgern auf Basis partieller Informationen demonstriert maschinelle Quantenintelligenz, die genau, flexibel und effektiv ist
Wissenschaftler von Cambridge Quantum Computing (CQC) haben gezeigt, dass Quantenmaschinen lernen können, verborgene Informationen aus sehr allgemeinen probabilistischen Schlussfolgerungsmodellen abzuleiten, und entsprechende Methoden hierfür entwickelt. Diese Methoden könnten eine breite Palette von Anwendungen verbessern, bei denen das Schlussfolgern in komplexen Systemen und die Quantifizierung von Unsicherheit entscheidend sind. Beispiele sind die medizinische Diagnose, die Fehlererkennung in unternehmenskritischen Maschinen oder die Finanzprognose für das Investitionsmanagement.
In dieser Abhandlung, die auf dem Preprint-Repository arXiv veröffentlicht wurde, stellten die CQC-Forscher fest, dass Quantencomputer lernen können, mit der Unsicherheit umzugehen, die für reale Szenarien typisch ist und die Menschen oft intuitiv handhaben können. Das Forschungsteam wurde von Dr. Marcello Benedetti mit den Co-Autoren Brian Coyle, Dr. Michael Lubasch und Dr. Matthias Rosenkranz geleitet und gehört zu der Abteilung Quantum Machine Learning des CQC, die von Dr. Mattia Fiorentini geleitet wird.
Die Abhandlung befasst sich mit drei Grundsatzbeweisen auf Simulatoren und auf einem IBM Q-Quantencomputer, um das quantengestützte Schlussfolgern zu demonstrieren in Bezug auf:
- Inferenz auf zufällige Instanzen eines Bayes'schen Netzwerks aus dem Lehrbuch - Ableitung von Markt-Regime-Switches in einem Hidden-Markov-Modell einer simulierten Finanzzeitreihe - eine medizinische Diagnoseaufgabe, die als "Lungenkrebs"-Problem bekannt ist.
Die Grundsatzbeweise legen nahe, dass Quantenmaschinen mit hochexpressiven Inferenzmodellen neue Anwendungen in verschiedenen Bereichen ermöglichen könnten. Die Abhandlung stützt sich auf die Tatsache, dass das Sampling aus komplexen Verteilungen als einer der vielversprechendsten Wege zu einem Quantenvorteil beim maschinellen Lernen mit den heutigen verrauschten Quantengeräten angesehen wird. Diese bahnbrechende Arbeit zeigt, wie das Quantencomputing, selbst in seinem derzeitigen frühen Stadium, ein effektives Werkzeug für die Untersuchung der ehrgeizigsten Fragen der Wissenschaft ist, wie z. B. die Emulation des menschlichen Denkens.
Die Forscher, die in naher Zukunft wahrscheinlich am meisten von dieser Entwicklung profitieren werden, sind Wissenschaftler im Bereich des maschinellen Lernens über alle Branchen hinweg sowie Entwickler von Quantensoftware und -hardware.
Dieser Medienartikel begleitet die wissenschaftliche Arbeit und enthält eine zugängliche Darstellung der Prinzipien hinter dieser Pionierarbeit sowie Beschreibungen der vom Team implementierten Grundsatzbeweise.
Da Quantengeräte in den kommenden Jahren immer besser werden, legt diese Forschungsarbeit den Grundstein für die Anwendung von Quantencomputern auf probabilistisches Schlussfolgern und ihre direkte Anwendung bei technischen und geschäftsrelevanten Problemen.
In diesem Video gibt Dr. Mattia Fiorentini, Leiter unserer Abteilung Quantum Machine Learning, einen detaillierten Einblick in die Projektergebnisse und deren Auswirkungen.
Informationen zu Cambridge Quantum Computing
Das 2014 gegründete und von einigen der weltweit führenden Quantencomputerunternehmen unterstützte CQC ist ein weltweit führender Anbieter von Quantensoftware und Quantenalgorithmen, der seinen Kunden ermöglicht, das Beste aus der sich schnell entwickelnden Quantencomputer-Hardware herauszuholen. CQC hat Büros in GroÃbritannien, den USA und Japan. Weitere Informationen zu CQC finden Sie auf http://www.cambridgequantum.com und auf LinkedIn. Zugriff auf das tket Python-Modul auf GitHub.
Pressekontakt:
waseem.shiraz@cambridgequantum.com +44 203 301 9337
catie.isham@cambridgequantum.com +1 703-732-3151
mike@hkamarcom.com +1 714-422-0927
Original-Content von: Cambridge Quantum Computing, übermittelt