量子计算即将学会推理

nce，以及延伸到推理方面的一个有希望的指标。

　　该研究团队由 Marcello Benedetti 博士和共同作者 Brian Coyle、 Michael Lubasch 博士和 Matthias Rosenkranz 博士带领，是 CQC 量子机器学习事业部的一个部门，该部门由 Mattia Fiorentini 博士领导。

　　在论文中写道：“量子计算机的输出看起来是随机的。然而，我们可以对量子计算机进行编程，使其输出具有一定模式的随机序列。这些模式是离散的，可以变得非常复杂，以至于经典计算机无法在合理的时间内计算它们。这就是为什么量子计算机是概率机器学习任务的天然工具，例如不确定性下的推理”。

　　在论文中，研究人员展示了他们在贝叶斯网络上的结果。测试了三个不同的问题集。首先，是上文所述的经典云-洒水器-雨问题。第二，是在模拟金融时间序列的隐马尔科夫模型中预测市场制度切换（牛市或熊市）。第三，是在给定一些症状和危险因素信息的情况下，推断患者可能的疾病的任务。

　　使用对抗式训练和 kernelized Stein 差异，两者的细节可以在论文中找到，该公司对一个经典的概率分类器和一个称为 Born 机器的概率量子模型进行了串联优化。

　　训练完毕后，在量子模拟器和 IBM Q 的真实量子计算机上对前面定义的三个问题进行推理。在下图所示的截断直方图中，洋红色的条形图代表真实的概率分布，蓝色的条形图代表量子计算模拟器的输出，灰色的条形图代表 IBM Q 的真实量子硬件的输出，真实量子计算机硬件上的结果受到噪声的干扰，这导致收敛速度比模拟的慢。然而，这在 NISQ 时代是可以预期的。

　　量子模拟器的概率分布与真实的概率分布非常相似，说明量子算法的训练效果很好，公司的对抗性训练和内核化的 Stein 差异方法是达到预期目的的强大算法。

　　论文中写道：“我们用贝叶斯网络的例子对该方法进行了数值演示，并在 IBM 量子计算机上实现了实验。我们的技术可以实现高效的变分推理，其分布超出了那些在经典计算机上可以有效表示的分布。我们的技术可以实现高效的变量推理，其分布超越了那些在经典计算

（编辑：常州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!