- การใช้ควอนตัมให้เหตุผลโดยอาศัยข้อมูลบางส่วนแสดงให้เห็นความฉลาดของเครื่องจักรควอนตัมที่แม่นยำ ยืดหยุ่น และมีประสิทธิภาพ
นักวิทยาศาสตร์ที่ Cambridge Quantum Computing (CQC) ได้พัฒนาวิธีการและแสดงให้เห็นว่า เครื่องจักรควอนตัมเรียนรู้ที่จะสรุปข้อมูลที่ซ่อนไว้จากแบบจำลองการให้เหตุผลตามความน่าจะเป็นทั่วไปได้ วิธีเหล่านี้นำไปพัฒนาต่อยอดการใช้งานได้มากมาย ที่ซึ่งการให้เหตุผลในระบบที่ซับซ้อนและการแสดงความไม่แน่นอนในเชิงปริมาณนั้นเป็นเรื่องสำคัญ ตัวอย่างเช่น การวินิจฉัยทางการแพทย์ การตรวจพบข้อผิดพลาดในเครื่องจักรที่สำคัญต่อภารกิจ หรือการคาดการณ์ทางการเงินสำหรับการจัดการด้านการลงทุน
ในงานวิจัยที่ตีพิมพ์บนคลังเก็บเอกสารออนไลน์ก่อนตีพิมพ์ arXiv นักวิจัยของ CQC ได้ระบุว่าคอมพิวเตอร์ควอนตัมสามารถเรียนรู้ที่จะจัดการกับความไม่แน่นอนที่พบเห็นได้ปกติในสถานการณ์จริง ซึ่งเป็นสิ่งที่มนุษย์มักจะรับมือได้ง่าย ๆ ทีมนักวิจัยนำโดยดร. Marcello Benedetti ร่วมด้วย Brian Coyle, ดร. Michael Lubasch และดร. Matthias Rosenkranz และเป็นส่วนหนึ่งของแผนกแมชชีนเลิร์นนิงควอนตัมของ CQC ที่มีดร. Mattia Fiorentini เป็นหัวหน้า
งานวิจัยใช้หลักการพิสูจน์ 3 ประการบนเครื่องจำลองและบนคอมพิวเตอร์ควอนตัม IBM Q เพื่อแสดงให้เห็นถึงการให้เหตุผลด้วยควอนตัมในเรื่อง
การอนุมานเกี่ยวกับตัวอย่างแบบสุ่มของตำราเครือข่าย Bayesian
การอนุมานการสลับตลาดในการจำลองอนุกรมเวลาทางการเงินที่จำลองไว้ตามแบบจำลอง Markov ซ่อนเร้น
การวินิจฉัยทางการแพทย์ที่เรียกว่าปัญหา "มะเร็งปอด"
การพิสูจน์หลักการทำให้เห็นว่า เครื่องจักรควอนตัมที่ใช้แบบจำลองการอนุมานที่มีการแสดงออกสูงอาจทำให้เกิดรูปแบบการใช้งานใหม่ ๆ ในหลายด้าน งานวิจัยนำเสนอข้อเท็จจริงว่า การสุ่มตัวอย่างจากการแจกแจงที่ซับซ้อนถือเป็นหนึ่งในหนทางที่น่าสนใจที่สุดในการใช้ประโยชน์จากควอนตัมในแมชชีนเลิร์นนิงด้วยอุปกรณ์ควอนตัมปัจจุบันที่มีสิ่งรบกวนสูง การค้นพบนี้แสดงให้เห็นประสิทธิภาพในการประมวลผลแบบควอนตัม เพื่อใช้เป็นเครื่องมือตีโจทย์ที่ทะเยอทะยานที่สุดในแวดวงวิทยาศาสตร์ เช่น การจำลองการให้เหตุผลของมนุษย์ แม้จะยังอยู่ในขั้นต้นก็ตาม
นักวิทยาศาสตร์ด้านแมชชีนเลิร์นนิงในอุตสาหกรรมต่าง ๆ และนักพัฒนาฮาร์ดแวร์และซอฟต์แวร์ควอนตัม คือกลุ่มนักวิจัยที่ควรจะได้ประโยชน์สูงสุดจากการพัฒนานี้ในระยะใกล้
บทความบน Medium มาพร้อมงานวิจัยทางวิทยาศาสตร์และให้คำอธิบายอย่างละเอียดที่สามารถเข้าถึงได้เกี่ยวกับหลักการเบื้องหลังงานชิ้นนี้ เช่นเดียวกับคำอธิบายของการพิสูจน์หลักการที่ทางทีมงานนำไปใช้
อุปกรณ์ควอนตัมจะก้าวหน้าขึ้นในอีกไม่กี่ปีที่จะถึงนี้ งานวิจัยนี้จึงวางรากฐานสำหรับการประมวลผลแบบควอนตัม เพื่อนำไปใช้กับการให้เหตุผลตามหลักความน่าจะเป็นและการใช้งานโดยตรงในด้านวิศวกรรมและปัญหาที่เกี่ยวข้องทางธุรกิจ
ในวิดีโอนี้ ดร. Mattia Fiorentini หัวหน้าแผนกแมชชีนเลิร์นนิงควอนตัมของเรา ได้ให้ข้อมูลเชิงลึกอย่างละเอียดเกี่ยวกับผลลัพธ์ของโปรเจกต์และข้อสรุปโดยนัยของโปรเจกต์
เกี่ยวกับ Cambridge Quantum Computing
CQC ก่อตั้งขึ้นในปี 2557 และได้รับการสนับสนุนจากบริษัทควอนตัมคอมพิวติ้งชั้นนำระดับโลกหลายแห่ง CQC เป็นผู้นำระดับโลกด้านซอฟต์แวร์ควอนตัมและอัลกอริทึมควอนตัมที่ช่วยให้ลูกค้าได้รับประโยชน์สูงสุดจากฮาร์ดแวร์ควอนตัมคอมพิวติ้งที่พัฒนาอย่างรวดเร็ว ทั้งนี้ CQC มีสำนักงานในสหราชอาณาจักร สหรัฐอเมริกา และญี่ปุ่น สามารถดูข้อมูลเพิ่มเติมได้ที่ http://www.cambridgequantum.com หรือ LinkedIn และเข้าถึงโมดูล tket Python ได้ที่ GitHub
|
โหวตให้
โหวตลบ
ให้ mob ขอบคุณ 