به گزارش کارگروه فناوری اطلاعات سایبریان؛ کارشناسان معتقدند که تحقیقات یکی از اساتید دانشگاه ایالتی فلوریدا می‌تواند به محاسبات کوانتومی کمک کند تا وعده خود را به عنوان یک ابزار محاسباتی قدرتمند انجام دهد.
ویلیام اویتس (William Oates)، استاد مهندسی مکانیک در شرکت «Cummins» و رئیس بخش مهندسی مکانیک در دانشکده مهندسی «FAMU-FSU» و گانگلی شو (Guanglei Xu)، محقق پست دکترا، راهی را برای استنتاج خودکار پارامترهای مورد استفاده در الگوریتم ماشینی کوانتومی مهم بولتزمان (Boltzmann) برای برنامه‌های یادگیری ماشینی پیدا کردند.
این کار می‌تواند به ساخت شبکه‌های عصبی مصنوعی مورد استفاده برای آموزش رایانه‌ها در حل مشکلات پیچیده و ارتباطات متصل مانند تشخیص تصویر، کشف مواد مخدر و ایجاد مواد جدید کمک کند.
اویتس گفت :
«اعتقاد به این است که محاسبات کوانتومی، همانطور که در اینترنت می‌آید و در قدرت محاسباتی رشد می‌کند، می‌تواند برخی ابزارهای جدید را به شما ارائه دهد، اما باید نحوه برنامه‌ریزی و استفاده از آن در برنامه‌های خاص به عنوان یک سؤال بزرگ بدانید.»
بیت‌های کوانتومی، بر خلاف بیت‌های باینری در یک رایانه استاندارد، می‌توانند در یک زمان در بیش از یک کشور وجود داشته باشند، یک مفهوم شناخته شده به عنوان ابررسانایی. اندازه‌گیری وضعیت بیت کوانتومی یا کوبیت باعث می‌شود که این وضعیت خاص را از دست بدهد، بنابراین کامپیوترهای کوانتومی با محاسبه احتمال یک حالت کوبیت قبل از مشاهده آن کار می‌کنند.
کامپیوترهای اختصاصی کوانتومی شناخته شده به عنوان «Annealers» کوانتومی یک ابزار برای انجام این نوع محاسبات کوانتومی هستند. آنها با نشان دادن هر حالت یک کوبیت به عنوان یک سطح انرژی کار می‌کنند. پایین‌ترین حالت انرژی در میان کوبیت‌های آن، راه‌حل یک مشکل را ارائه می‌دهد. نتیجه دستگاه این است که می‌تواند سیستم‌های پیچیده و متصل را اداره کند که یک کامپیوتر معمولی را به مدت بسیار طولانی برای محاسبه مانند ساخت یک شبکه عصبی انجام می‌دهد.
یک راه برای ساخت شبکه‌های عصبی، استفاده از یک دستگاه محدود بولتزمانبه عنوان الگوریتمی است که از احتمال یادگیری براساس ورودی‌های داده شده به شبکه استفاده می‌کند. اویتس و شو راهی را برای محاسبه خودکار پارامتر مهم مرتبط با دمای مؤثر مورد استفاده در این الگوریتم پیدا کردند. ماشین‌های بولتزمان محدود به طور معمول در آن پارامتر حدس می‌زنند، که نیاز به تست برای تأیید دارد و می‌تواند هر زمان که از کامپیوتر درخواست بررسی مشکل جدید شود، تغییر ایجاد کند.
اویتس توضیح داد :
«این پارامتر در مدل تکرار می‌کند که چه کسی Annealer کوانتومی را انجام می‌دهد. اگر بتوانید دقیقاً برآورد کنید، می‌توانید شبکه عصبی خود را به طور مؤثرتر آموزش دهید و از آن برای پیش‌بینی موارد استفاده کنید.»
