Activa las notificaciones para estar al tanto de lo más nuevo en tecnología.

El aprendizaje por parte de las computadoras es un tema fascinante y desde la introducción de las poderosas redes neuronales, se han encontrado muchísimas cuestiones por resolver. El aprendizaje a partir de la experiencia es uno de los retos más interesantes y ahora los físicos están proponiendo que los errores en este sistema para aprender, por parte de las máquinas, tenga corrección cuántica de errores, el cual es usado para diseñar protocolos de computación cuánticos tolerantes al ruido.

En un nuevo estudio los físicos han demostrado que un tipo de red neuronal llamada la máquina de Boltzmann, se puede entrenar para modelar los errores en un protocolo de computación cuántico y entonces implementar así el mejor método para corregir errores.

Los físicos Giacomo Torlai y Roger G. Melko, de la Universidad de Waterloo y del Instituto Perímetro de Física Teórica, han publicado un artículo sobe un nuevo algoritmo de aprendizaje de computadoras, el cual aparece en la publicación Physical Review Letters.

Kasparov: Abracemos la revolución de la Inteligencia Artificial

“la idea detrás de la codificación neuronal es ventilar el proceso de construir un algoritmo decodificador para a realización de un código específico (a partir de alguna aproximación del ruido generado), y hacer que la red neuronal aprenda cómo desempeñar un proceso para recuperar dados los datos, obtenidos mediante una simple medición del código”.

Torlai indica: “Con los recientes avances en las tecnologías cuánticas y en los dispositivos de esta naturaleza, que podrían estar disponibles en un futuro cercano, los decodificadores neuronales podrán ser capaces de acomodar las diferentes arquitecturas así como las diferentes fuentes del ruido”.

Como explican los investigadores, una máquina de Boltzmann es una de las más simples redes neuronales estocásticas artificiales. Estas pueden ser usadas para analizar una amplia variedad de datos. Las redes neuronales típicamente extraen las características y los patrones de los datos sin procesar, lo que en este caso, es el conjunto de datos que contiene los posibles errores que pueden afligir los estados cuánticos.

Con el nuevo algoritmo, que los físicos llaman un decodificador neuronal, se entrena en estos datos y entonces es capaz de construir un modelo preciso de la distribución de probabilidad de los errores. Con esta información, el decodificador neuronal puede generar la cadenas apropiadas de los errores que pueden ser usadas para recuperar los estados cuánticos correctos.

Haga sus propias redes neuronales complejas usando Sonnet

Los investigadores han probado el decodificador cuántico en códigos cuánticos topológicos, que se usan comúnmente en la computación cuántica, y han demostrado que el algoritmo es relativamente simple de implementar. Otra ventaja del nuevo algoritmo es que no depende de una geometría específica, estructura o dimensión de los datos, lo que permite generalizarse a una amplitud y variedad de problemas.

En el futuro, los físicos planean explorar las diferentes maneras de mejorar el desempeño del algoritmo, como por ejemplo, poniendo más de una máquina de Boltzmann para construir así una red con una estructura más profunda. Los investigadores planean aplicar el decodificador neuronal a códigos realistas más complejos.

“Hasta ahora, los decodificadores se han probado en códigos simples que se usan típicamente para hacer benchmarks”, dice Torlai. “Una primera dirección podría ser desarrollar corrección de errores en códigos donde aún no se tienen decodificadores eficientes, por ejemplo, los códigos de baja densidad de valores de paridad. Ya para un término más largo, creo que la decodificación neuronal jugará un importante papel cuando se hable de sistemas cuánticos grandes, es decir, que tengan cientos de qubits”.

Referencias: Phys.org 

Desde la Red…
Comentarios