Сверточные нейронные сети, работающие на квантовых компьютерах могут анализировать квантовые данные лучше, чем это могут обычные компьютеры.
Для ученых такая возможность — большой прорыв, так как современные нейронные сети, работающие с большими данными, могут столкнуться с бесплодным плато — это проблема обучаемости, возникающая в алгоритмах оптимизации машинного обучения, когда пространство решения задач становится «плоским» по мере выполнения алгоритма. В этой ситуации алгоритм не может найти нисходящий уклон в том, что кажется невыразительным ландшафтом, и нет четкого пути к минимуму энергии.
Авторы нового исследования предложили решить эту проблему с помощью создания принципов работы квантового ИИ. Команда из Лос-Аламоса разработала новый графический подход для анализа масштабирования в квантовой нейронной сети, а также доказала ее обучаемость.
Как заявил Марко Сересо, соавтор статьи и физик, они доказали, что для особого типа квантовой нейронной сети не будет бесплодных плато: новая работа работа обеспечивает обучаемость для этой архитектуры.
Такие нейронные сети можно использовать для решения целого ряда задач, от распознавания изображений до обнаружения материалов. Преодоление бесплодных плато — это ключ к полному раскрытию потенциала квантовых компьютеров, отмечают авторы.
Читать далее:
Хокинг был прав, но иногда ошибался: самые смелые идеи ученого
Астрономы выяснили, что Земля и Солнечная система находятся в гигантском магнитном туннеле
Китайская гиперзвуковая ракета облетела весь земной шар. Как это возможно и что о ней известно