IA generativa revoluciona computadores quânticos
O método desenvolvido na Universidade de Innsbruck produz circuitos quânticos baseados nas especificações do usuário e adaptados aos recursos do hardware quântico no qual o circuito será executado. Crédito: Universidade de Innsbruck/Harald Ritsch
Os pesquisadores desenvolveram um
aprendizado de máquina
O aprendizado de máquina é um subconjunto da inteligência artificial (IA) que lida com o desenvolvimento de algoritmos e modelos estatísticos que permitem aos computadores aprender com os dados e fazer previsões ou decisões sem serem explicitamente programados para fazê-lo. O aprendizado de máquina é usado para identificar padrões em dados, classificar dados em diferentes categorias ou fazer previsões sobre eventos futuros. Pode ser categorizado em três tipos principais de aprendizagem: aprendizagem supervisionada, não supervisionada e por reforço.
" dados-gt-translate-attributes="[{["atributo":"data-cmtooltip", "formatar":"HTML"]" tabindex="0" role="link">aprendizado de máquina modelo que gera circuitos quânticos a partir de descrições de texto, semelhante a como modelos como Stable Diffusion criam imagens. Este método melhora a eficiência e adaptabilidade do
Computação quântica
Realização de computação usando fenômenos da mecânica quântica, como superposição e emaranhamento.
" dados-gt-translate-attributes="[{["atributo":"data-cmtooltip", "formatar":"HTML"]" tabindex="0" role="link">computação quântica.
Um dos desenvolvimentos recentes mais importantes em Aprendizado de Máquina (ML) são os modelos generativos, como os modelos de difusão. Esses incluem
Difusão Estável e
Dall.e, que estão revolucionando o campo da geração de imagens. Esses modelos são capazes de produzir imagens de alta qualidade com base em descrições de texto.
“Nosso novo modelo de programação de computadores quânticos faz o mesmo, mas, em vez de gerar imagens, gera circuitos quânticos baseados na descrição textual da operação quântica a ser realizada”, explica Gorka Muñoz-Gil, do Departamento de Física Teórica da Universidade. de Innsbruck, Áustria.
Desafios da computação quântica
Para preparar um determinado estado quântico ou executar um algoritmo em um computador quântico, é necessário encontrar a sequência apropriada de portas quânticas para realizar tais operações. Embora isto seja bastante fácil na computação clássica, é um grande desafio na computação quântica, devido às particularidades do mundo quântico. Recentemente, muitos cientistas propuseram métodos para construir circuitos quânticos com muitos métodos confiáveis de aprendizado de máquina. No entanto, o treinamento desses modelos de ML costuma ser muito difícil devido à necessidade de simular circuitos quânticos à medida que a máquina aprende. Os modelos de difusão evitam tais problemas devido à forma como são treinados.
IA generativa revoluciona computadores quânticos
“Isso proporciona uma vantagem tremenda”, explica Gorka Muñoz-Gil, que desenvolveu o novo método junto com Hans J. Briegel e Florian Fürrutter. “Além disso, mostramos que os modelos de difusão com remoção de ruído são precisos em sua geração e também muito flexíveis, permitindo gerar circuitos com diferentes números de qubits, bem como tipos e números de portas quânticas.”
Os modelos também podem ser adaptados para preparar circuitos que levem em consideração a conectividade do hardware quântico, ou seja, como os qubits estão conectados no computador quântico.
“Como produzir novos circuitos é muito barato depois que o modelo é treinado, pode-se usá-lo para descobrir novos insights sobre operações quânticas de interesse”, Gorka Muñoz-Gil cita outro potencial do novo método.
IA generativa revoluciona computadores quânticos
Geração de Circuito Quântico
O método desenvolvido na Universidade de Innsbruck produz circuitos quânticos baseados nas especificações do usuário e adaptados aos recursos do hardware quântico no qual o circuito será executado. Isso marca um passo significativo no desenvolvimento de toda a extensão da computação quântica. O trabalho já foi publicado em
Inteligência da Máquina da Natureza e foi apoiado financeiramente pelo Fundo Austríaco para a Ciência FWF e pela União Europeia, entre outros.
Referência: “Síntese de circuito quântico com modelos de difusão” por Florian Fürrutter, Gorka Muñoz-Gil e Hans J. Briegel, 20 de maio de 2024,
Inteligência da Máquina da Natureza.
DOI: 10.1038/s42256-024-00831-9
IA generativa revoluciona computadores quânticos
https://w3b.com.br/ia-generativa-revoluciona-computadores-quanticos/?feed_id=10737&_unique_id=665777392ffc4
Comentários
Postar um comentário