Cambridge Quantum Computing met au point des méthodes d'apprentissage automatique quantique pour le raisonnement

USA - Français

• USA - español
• Latin America - español
• USA - Deutsch
• Brazil - Português
• USA - English
• India - English

- Le raisonnement assisté par les quanta basé sur des informations partielles démontre que l'intelligence des machines quantiques est précise, flexible et efficace

CAMBRIDGE, Angleterre, 31 mars 2021 /PRNewswire/ -- Des scientifiques de Cambridge Quantum Computing (CQC) ont développé des méthodes et démontré que les machines quantiques peuvent apprendre à déduire des informations cachées à partir de modèles de raisonnement probabilistes très généraux. Ces méthodes pourraient améliorer un large éventail d'applications, où le raisonnement dans des systèmes complexes et la quantification de l'incertitude sont cruciaux. Parmi les exemples, citons le diagnostic médical, la détection de pannes dans les machines critiques ou les prévisions financières pour la gestion des investissements.

Dans cet article publié sur le dépôt de préimpression arXiv, les chercheurs de CQC ont établi que les ordinateurs quantiques peuvent apprendre à gérer l'incertitude qui est typique des scénarios du monde réel et que les humains peuvent souvent gérer de manière intuitive. L'équipe de recherche est dirigée par le Dr Marcello Benedetti et ses co-auteurs, Brian Coyle, Michael Lubasch et le Dr. Matthias Rosenkranz, et fait partie de la division Quantum Machine Learning de CQC, dirigée par le Dr Mattia Fiorentini.

L'article met en œuvre trois preuves de principe sur des simulateurs et sur un ordinateur quantique IBM Q pour démontrer le raisonnement assisté par les quanta :

• inférence sur des instances aléatoires d'un réseau bayésien classique
• inférer les changements de régime du marché dans un modèle de Markov caché d'une série chronologique financière simulée
• une tâche de diagnostic médical connue sous le nom de problème du « cancer du poumon ».

Les preuves de principe suggèrent que les machines quantiques utilisant des modèles d'inférence très expressifs pourraient permettre d'utiliser de nouvelles applications dans divers domaines. L'article s'appuie sur le fait que l'échantillonnage à partir de distributions complexes est considéré comme l'un des moyens les plus prometteurs pour obtenir un avantage quantique dans l'apprentissage automatique avec les dispositifs quantiques bruyants d'aujourd'hui. Ce travail de pionnier montre comment l'informatique quantique, même à son stade initial actuel, est un outil efficace pour étudier les questions les plus ambitieuses de la science, comme l'émulation du raisonnement humain.

Les scientifiques de l'apprentissage automatique dans tous les secteurs d'activité et les développeurs de logiciels et de matériel quantiques sont les groupes de chercheurs qui devraient bénéficier le plus de cette évolution à court terme.

Cet article Medium accompagne l'article scientifique et fournit une exposition accessible des principes qui sous-tendent ce travail pionnier, ainsi que des descriptions des preuves de principe mises en œuvre par l'équipe.

Les dispositifs quantiques étant appelés à s'améliorer dans les années à venir, cette recherche jette les bases de l'application de l'informatique quantique au raisonnement probabiliste et de son application directe à des problèmes d'ingénierie et liés à l'entreprise.

Dans cette vidéo, le Dr Mattia Fiorentini, responsable de notre division « Quantum Machine Learning », donne un aperçu détaillé des résultats du projet et de ses implications.

À propos de Cambridge Quantum Computing

Fondé en 2014 et soutenu par certaines des plus grandes entreprises d'informatique quantique, CQC est un leader mondial dans le domaine des logiciels et des algorithmes quantiques, permettant à ses clients de tirer le meilleur parti du matériel d'informatique quantique qui évolue rapidement. CQC a des bureaux au Royaume-Uni, aux États-Unis et au Japon. Pour plus d'informations, consultez le site de CQC à l'adresse suivante http://www.cambridgequantum.com et sur LinkedIn. Accédez au module Python tket sur GitHub.