Quantumcomputers hebben niet dat soort scheiding. Hoewel ze wat kwantumgeheugen kunnen bevatten, worden de gegevens over het algemeen rechtstreeks in de qubits gehuisvest, terwijl berekening het uitvoeren van bewerkingen, Gates genoemd, rechtstreeks op de qubits zelf omvat. Er is zelfs een demonstratie geweest dat, voor begeleide machine learning, waar een systeem kan leren items te classificeren na training over vooraf geclassificeerde gegevens, een kwantumsysteem beter kan presteren dan klassieke, zelfs wanneer de verwerkte gegevens worden gehuisvest op klassieke hardware.
Deze vorm van machine learning is gebaseerd op wat variabele kwantumcircuits wordt genoemd. Dit is een twee-qubit poortbewerking die een extra factor nodig heeft die aan de klassieke kant van de hardware kan worden gehouden en aan de qubits kan worden gegeven via de besturingssignalen die de poortbewerking activeren. U kunt dit beschouwen als analoog aan de communicatie die betrokken is bij een neuraal netwerk, met de twee-qubit gate-operatie die gelijkwaardig is aan het doorgeven van informatie tussen twee kunstmatige neuronen en de factor analoog aan het gewicht dat aan het signaal wordt gegeven.
Dat is precies het systeem waar een team van het Honda Research Institute aan werkte in samenwerking met een kwantumsoftwarebedrijf genaamd Blue Qubit.
Pixels naar qubits
De focus van het nieuwe werk lag vooral op het krijgen van gegevens uit de klassieke wereld in het kwantumsysteem voor karakterisering. Maar de onderzoekers testten uiteindelijk de resultaten op twee verschillende kwantumprocessors.
Het probleem dat ze aan het testen waren, is er een van beeldclassificatie. De grondstof was van de Honda Scenes -gegevensset, met afbeeldingen uit ongeveer 80 uur rijden in Noord -Californië; De afbeeldingen zijn getagd met informatie over wat er in de scène staat. En de vraag die de onderzoekers wilden dat de machine learning hanteerde was eenvoudig: sneeuwt het in de scène?
