Cambridge Quantum Computing es líder en métodos de aprendizaje automático cuántico para el razonamiento
- El razonamiento asistido cuántico basado en información parcial demuestra que la inteligencia cuántica computarizada es precisa, flexible y eficaz
CAMBRIDGE, Inglaterra, 31 de marzo de 2021 /PRNewswire/ -- Científicos de Cambridge Quantum Computing (CQC) han desarrollado métodos y demostrado que las computadoras cuánticas pueden aprender a inferir información oculta a partir de modelos de razonamiento probabilístico muy generales. Estos métodos podrían mejorar una amplia gama de aplicaciones, donde el razonamiento en sistemas complejos y la cuantificación de la incertidumbre son fundamentales. Ejemplo de esto son los diagnósticos médicos, la detección de fallas en máquinas de misión crítica o la previsión financiera para la gestión de inversiones.
En este artículo publicado en el repositorio preimpreso arXiv, los investigadores de CQC establecieron que las computadoras cuánticas pueden aprender a lidiar con la incertidumbre que es típica de los escenarios del mundo real, y que los seres humanos a menudo pueden manejar de una manera intuitiva. El equipo de investigación, dirigido por el Dr. Marcello Benedetti y con Brian Coyle, el Dr. Michael Lubasch y el Dr. Matthias Rosenkranz como coautores, es parte de la división de aprendizaje automático cuántico de CQC, dirigida por el Dr. Mattia Fiorentini.
El documento implementa tres pruebas de principio en simuladores y en una computadora cuántica IBM Q, para demostrar el razonamiento asistido cuántico aplicado a lo siguiente:
- inferencia respecto de instancias aleatorias de una red bayesiana clásica
- inferencias de cambios en el régimen de mercado en un modelo de Markov oculto correspondiente a una serie financiera de tiempo simulada
- una tarea de diagnóstico médico conocida como el problema del "cáncer de pulmón".
Las pruebas de principio sugieren que las máquinas cuánticas que utilizan modelos de inferencia altamente expresivos podrían permitir nuevas aplicaciones en diversos campos. El documento se basa en que el muestreo a partir de distribuciones complejas se considera una de las maneras más prometedoras de lograr una ventaja cuántica en el aprendizaje automático con los dispositivos cuánticos ruidosos. Esta investigación pionera indica cómo la informática cuántica, incluso en su etapa inicial actual, es una herramienta eficaz para estudiar las cuestiones más ambiciosas de la ciencia, como la emulación del razonamiento humano.
Los científicos dedicados al aprendizaje automático en todas las industrias y los desarrolladores de software y hardware cuánticos son los grupos de investigadores que más deberían beneficiarse de este desarrollo en el corto plazo.
Este artículo de prensa acompaña al documento científico y ofrece una exposición accesible de los principios que sustentan esta investigación pionera, así como descripciones de las pruebas de principio que implementó el equipo.
A la espera de que los dispositivos cuánticos mejoren en los próximos años, esta investigación sienta las bases para que la computación cuántica se utilice en el razonamiento probabilístico y su aplicación directa en la ingeniería y los problemas que resultan relevantes para las actividades de negocios.
En este video, el Dr. Mattia Fiorentini, director de nuestra división de aprendizaje automático cuántico, ofrece información detallada sobre los resultados del proyecto y sus consecuencias.
Acerca de Cambridge Quantum Computing
Fundada en 2014 y respaldada por las principales empresas de informática cuántica del mundo, CQC es uno de los líderes globales en software y algoritmos cuánticos que permite a los clientes aprovechar al máximo el hardware para la informática cuántica, que evoluciona rápidamente. CQC tiene oficinas en Reino Unido, Estados Unidos y Japón. Para obtener más información, visite CQC en http://www.cambridgequantum.com y en LinkedIn. Acceda al módulo tket Python en GitHub.
FUENTE Cambridge Quantum Computing
Share this article