Cambridge Quantum Computing, líder en métodos de aprendizaje automático cuántico para el razonamiento
- El razonamiento cuántico asistido basado en información parcial demuestra una inteligencia de la máquina cuántica que es precisa, flexible y eficaz
CAMBRIDGE, Inglaterra, 30 de marzo de 2021 /PRNewswire/ -- Los científicos de Cambridge Quantum Computing (CQC) han desarrollado métodos y han demostrado que las máquinas cuánticas pueden aprender a inferir información oculta a partir de modelos de razonamiento probabilístico muy generales. Estos métodos podrían mejorar una amplia gama de aplicaciones, donde el razonamiento en sistemas complejos y la cuantificación de la incertidumbre son fundamentales. Ejemplos de esto son el diagnóstico médico, la detección de errores en máquinas de misión crítica o la previsión financiera para la gestión de inversiones.
En este artículo publicado en el repositorio preimpreso arXiv, los investigadores de CQC establecieron que las computadoras cuánticas pueden aprender a lidiar con la incertidumbre típica de los escenarios del mundo real, y que los humanos a menudo pueden manejar de manera intuitiva. El equipo de investigación ha sido dirigido por el doctor Marcello Benedetti con los coautores Brian Coyle, el doctor Michael Lubasch y el doctor Matthias Rosenkranz, y es parte de la división Quantum Machine Learning de CQC, dirigida por el doctor Mattia Fiorentini.
El documento implementa tres pruebas de principio en simuladores y en una computadora cuántica IBM Q para demostrar el razonamiento cuántico asistido en:
- inferencia sobre instancias aleatorias de una red bayesiana de libro de texto
- inferir cambios de régimen de mercado en un modelo de Markov oculto de una serie de tiempo financiera simulada
- una tarea de diagnóstico médico conocida como el problema del "cáncer de pulmón"
Las pruebas de principio sugieren que las máquinas cuánticas que utilizan modelos de inferencia altamente expresivos podrían permitir nuevas aplicaciones en diversos campos. El documento se basa en el hecho de que el muestreo de distribuciones complejas se considera una de las formas más prometedoras de lograr una ventaja cuántica en el aprendizaje automático con los ruidosos dispositivos cuánticos actuales. Este trabajo pionero indica cómo la computación cuántica, incluso en su etapa inicial actual, es una herramienta eficaz para estudiar las cuestiones más ambiciosas de la ciencia, como la emulación del razonamiento humano.
Los científicos de aprendizaje automático de todas las industrias y los desarrolladores de software y hardware cuánticos son los grupos de investigadores que más deberían beneficiarse de este desarrollo a corto plazo.
Este artículo de Medium acompaña al artículo científico y ofrece una exposición accesible de los principios que hay tras este trabajo pionero, así como descripciones de las pruebas de principio implantadas por el equipo.
Con los dispositivos cuánticos listos para mejorar en los próximos años, esta investigación sienta las bases para que la computación cuántica se aplique al razonamiento probabilístico y su aplicación directa en problemas de ingeniería y negocios relevantes.
En este vídeo, el doctor Mattia Fiorentini, director de la división Quantum Machine Learning, ofrece una perspectiva detallada sobre los resultados del proyecto y sus implicaciones.
Acerca de Cambridge Quantum Computing
Fundada en 2014 y respaldada por las principales empresas de informática cuántica del mundo, CQC es uno de los líderes globales en software y algoritmos cuánticos que ayuda a los clientes a aprovechar al máximo el hardware para informática cuántica que evoluciona rápidamente. CQC cuenta con oficinas en Reino Unido, Estados Unidos y Japón. Para obtener más información, visite CQC en http://www.cambridgequantum.com y en LinkedIn. Acceda al módulo tket Python en GitHub.
SOURCE Cambridge Quantum Computing
Share this article