CAMBRIDGE, Inglaterra, 31 de março de 2021 /PRNewswire/ — Os cientistas da Cambridge Quantum Computing (CQC) desenvolveram métodos e demonstraram que as máquinas quânticas podem aprender a inferir informações ocultas a partir de modelos de raciocínio probabilístico muito genérico. Estes métodos poderiam melhorar uma ampla gama de aplicações, em que o raciocínio em sistemas complexos e a quantificação da incerteza são fundamentais. Os exemplos deste diagnóstico incluem diagnóstico médico, detecção de erros em máquinas de missão crítica ou a previsão financeira para gestão de investimentos.

Neste artigo publicado no repositório pré-impresso arXiv, os pesquisadores da CQC estabeleceram que os computadores quânticos podem aprender a lidar com a incerteza típica dos cenários do mundo real e que os humanos muitas vezes podem lidar de forma intuitiva. A equipe de pesquisa foi liderada pelo Dr. Marcello Benedetti com os coautores Brian Coyle, o Dr. Michael Lubasch e o Dr. Matthias Rosenkranz, e faz parte da divisão Quantum Machine Learning da CQC, liderada pelo Dr. Mattia Fiorentini.

O documento implementa três provas de princípio em simuladores e em um computador quântico IBM Q para demonstrar o raciocínio quântico assistido em:

• inferência sobre instâncias aleatórias de uma rede bayesiana de livros didáticos
• inferir mudanças de regime de mercado no modelo de Markov oculto de uma série temporal financeira simulada
• uma tarefa de diagnóstico médico conhecida como o problema do “câncer de pulmão”.

Os testes de princípio sugerem que as máquinas quânticas que utilizam modelos de inferência altamente expressivos poderiam permitir novas aplicações em diversos campos. O documento se baseia no fato de que a amostragem de distribuições complexas é considerada uma das formas mais promissoras de obter uma vantagem quântica no aprendizado de máquina com os ruidosos dispositivos quânticos atuais. Esse trabalho pioneiro indica como a computação quântica, inclusive em seu estágio inicial, é uma ferramenta eficaz para estudar as questões mais ambiciosas da ciência, como a emulação do raciocínio humano.

Os cientistas da aprendizagem de máquina de todos os setores e os desenvolvedores de software e hardware quânticos são os grupos de pesquisadores que mais deveriam se beneficiar desse desenvolvimento a curto prazo.

Este artigo de mídia companha o artigo científico e oferece uma exposição acessível dos princípios que existem por trás desse trabalho pioneiro, bem como descrições das provas de princípio implementadas pela equipe.

Com os dispositivos quânticos prontos para melhorar nos próximos anos, esta pesquisa estabelece as bases para que a computação quântica seja aplicada ao raciocínio probabilístico e sua aplicação direta em problemas de engenharia e negócios relevantes.

Neste vídeo, o Dr. Mattia Fiorentini, diretor da divisão Quantum Machine Learning, oferece uma perspectiva detalhada sobre os resultados do projeto e suas implicações.

Sobre a Cambridge Quantum Computing 

Fundada em 2014 e apoiada por algumas das principais empresas de computação quântica do mundo, a CQC é líder global em software e algoritmos quânticos que ajudam seus clientes a obter o melhor do hardware de computação quântica em rápida evolução. A CQC possui escritórios no Reino Unido, EUA e Japão. Para mais informações, visite a CQC em http://www.cambridgequantum.com e no LinkedIn. Acesse o módulo tket Python no GitHub.

 

FONTE Cambridge Quantum Computing