No sé mucho acerca de PNL, pero voy a echarle un vistazo. También debo tener en cuenta que no ha habido mucho trabajo en control de calidad con respecto al aprendizaje automático, especialmente con el modelo de circuito de control de calidad, por lo que será una explicación más general.
Por lo tanto, la cuestión de cómo se puede usar el control de calidad en la aceleración de los cálculos de PNL puede considerarse como una pregunta más amplia de cómo el control de calidad puede ayudarlo en el aprendizaje automático. Sospecho que el Dr. Coecke estaba hablando del modelo de circuito, pero el modelo adiabático puede ser igual de efectivo. Ambos son teóricamente equivalentes (aunque eso no garantiza una aceleración de la misma magnitud para ambos).
Sé más sobre el modelo adiabático, así que hablaré sobre eso. Con el modelo adiabático, básicamente está reescribiendo su problema de PNL en términos de un problema de optimización binaria. Si puede resolver su problema en la forma correcta, puede obtener una aceleración realmente buena en sus algoritmos (aunque no siempre está garantizado, tendrá que hacer un análisis más sofisticado). Quizás si pudiera formular su problema de PNL en términos de una búsqueda de gráficos, le resultaría más fácil visualizarlo. El AQC es muy bueno en la optimización combinatoria, por lo que cosas como los caminos más cortos y la partición son su pan de cada día.
- ¿Qué tan cerca estamos de desarrollar una computadora cuántica que funcione? ¿Cuál sería el efecto en la sociedad si dicho dispositivo se perfeccionara y fuera totalmente funcional?
- ¿Qué es el código cuántico?
- Estoy interesado en la mecánica cuántica y la cosmología. ¿Cómo debo estudiar?
- En mecánica cuántica, ¿cuál es el propósito detrás de perseguir las mediciones como la posición y el momento de las partículas? ¿Cuál es su significado en el mundo real?
- ¿Cuáles son las aplicaciones directas de la computación cuántica en las industrias de TI?
Entonces, ¿por qué es tan bueno en esas cosas? La respuesta es sorprendentemente simple. Una computadora cuántica es más eficiente en la búsqueda de un gran espacio de estado con pocos qubits. Si tuvo qubits [matemáticos] N [/ matemáticos], puede buscar en un espacio de estado que es [matemático] 2 ^ N [/ matemático] dimensional bastante rápido. Una razón para esto es porque una partícula cuántica puede hacer un túnel a través de “barreras”. Echa un vistazo a esta figura:
En el recocido simulado, algoritmos genéticos, descenso de gradiente y algoritmos clásicos similares, para sortear una barrera, deberá seguir la curva roja. Las partículas cuánticas pueden atravesar barreras, permitiéndoles encontrar óptimos globales mucho más fácilmente. Todavía hay otros desafíos para hacerlo, pero es mucho más eficiente que los algoritmos clásicos.
De todos modos, esa es la razón básica por la cual la computación cuántica puede ser buena para aplicaciones en cosas como PNL. No estamos realmente en el punto en que el aprendizaje automático esté en la mente de nadie en la comunidad de CC, pero creo que hay algunas personas que buscan cambiar eso, ya que puede ser extremadamente útil. Los problemas de optimización aparecen en todas partes en el aprendizaje automático, incluida la PNL, y se encuentran entre los problemas más difíciles de resolver de manera clásica. Una buena aceleración de estos problemas significará mucho para muchas personas y muchas industrias.
He escrito muchas respuestas sobre AQC, incluidas algunas explicaciones más detalladas de cómo funciona realmente. Puede consultarlos aquí: https://www.quora.com/Hadayat-Se…
