新研究证实量子计算即将学会推理

变分贝叶斯要领 (Variational Bayesian methods)是一个进程，通过这个进程，我们行使随机优化和其他进修技能来迫近一个给定的概率漫衍。抛开专业术语不谈，这意味着量子计较机遇输出推理题目的隐藏办理方案。譬喻本日是阴天但草地是湿的，那么是什么缘故起因导致的呢？洒水趁魅照旧曾经下过雨？

在 arxiv 上颁发的一篇问题为《Variational inference with a quantum computer》（QNLP 在实践中：在量子计较机上运行意义的组合模子）的研究论文中，夸大了该公司以为量子计较机对 Variational Inference，以及延长到推理方面的一个有但愿的指标。

该研究团队由 Marcello Benedetti 博士和配相助者 Brian Coyle、 Michael Lubasch 博士和 Matthias Rosenkranz 博士教育，是 CQC 量子呆板进修奇迹部的一个部分，该部分由 Mattia Fiorentini 博士率领。

在论文中写道：“量子计较机的输出看起来是随机的。然而，我们可以对量子计较机举办编程，使其输出具有必然模式的随机序列。这些模式是离散的，可以变得很是伟大，以至于经典计较机无法在公道的时刻内计较它们。这就是为什么量子计较机是概率呆板进修使命的自然器材，譬喻不确定性下的推理”。

在论文中，研究职员展示了他们在贝叶斯收集上的功效。测试了三个差异的题目集。起首，是上文所述的经典云-洒水器-雨题目。第二，是在模仿金融时刻序列的隐马尔科夫模子中猜测市场制度切换（牛市或熊市）。第三，是在给定一些症状和伤害身分信息的环境下，揣度患者也许的疾病的使命。

行使反抗式实习和 kernelized Stein 差别，两者的细节可以在论文中找到，该公司对一个经典的概率分类器和一个称为 Born 呆板的概率量子模子举办了串联优化。

实习完毕后，在量子模仿器和 IBM Q 的真实量子计较机上对前面界说的三个题目举办推理。在下图所示的截断直方图中，洋赤色的条形图代表真实的概率漫衍，蓝色的条形图代表量子计较模仿器的输出，灰色的条形图代表 IBM Q 的真实量子硬件的输出，真实量子计较机硬件上的功效受到噪声的滋扰，这导致收敛速率比模仿的慢。然而，这在 NISQ 期间是可以预期的。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!