Hoy en día hay indicios de una gran cantidad de oro en el interior aún por explorar de la computación cuántica. Algunos de nosotros apostamos a que la búsqueda de ese oro está detrás de las exploraciones de Google (ahora Alphabet) en el aprendizaje profundo y la computación cuántica. ¿Cuáles son los objetivos de Google con su laboratorio de inteligencia artificial Quantum recientemente anunciado?
[1412.3489] Aprendizaje profundo cuántico
El algoritmo de Viterbi viene casi de inmediato a la mente como base para un algoritmo que puede ser más rápido con puertas cuánticas. Como un medio para aprender qué es el pensamiento detrás de las reacciones de un oponente (o sujeto), debería proporcionar aplicaciones mucho más allá de simplemente jugar Battleship. “El algoritmo de Viterbi es una programación dinámica algoritmo para encontrar la secuencia más probable de estados ocultos, llamada ruta de Viterbi , que da como resultado una secuencia de eventos observados, especialmente en el contexto de fuentes de información de Markov y modelos ocultos de Markov “.
- ¿Cómo es que la mecánica de Bohmian no es una forma más elegante de describir la mecánica cuántica?
- ¿Cuál es la mejor manera de aprender computación cuántica?
- ¿Es la mecánica cuántica el tema más difícil de entender? Por lo tanto, ¿podemos decir con seguridad que quienes trabajan en mecánica cuántica son los más inteligentes?
- ¿Qué es mejor para la computación cuántica: Harvard o Stanford?
- ¿Cómo puede ayudar la computación cuántica a resolver los problemas NP-hard?
[1405.7479] Un algoritmo cuántico para la decodificación de Viterbi de códigos convolucionales clásicos
Dada la naturaleza abstracta y la lógica no intuitiva necesarias para comprender, y mucho menos inventar algoritmos avanzados que puedan explotar la aceleración cuántica, tomará algún desarrollo de recursos humanos antes de comenzar a usar completamente la capacidad.
¿Es posible que el TensorFlow de Google tenga la intención de facilitar la transición de las CPU convencionales a través de GPU a Quantum Computing? El motor de IA de código abierto de Google, TensorFlow, apunta a un mundo de hardware que cambia rápidamente
” En lugares como Google, Facebook , Microsoft y Baidu , las GPU han demostrado ser muy importantes para el llamado” aprendizaje profundo “porque pueden procesar muchos pequeños datos en paralelo. El aprendizaje profundo depende de redes neuronales, sistemas que se aproximan red de neuronas en el cerebro humano, y estas redes están diseñadas para analizar grandes cantidades de datos a gran velocidad ” .