სიახლეები
ჟურნალ Scientific Reports-ის 2021 წლის თებერვლის ნომერში გამოქვეყნებულ სტატიაში ფლორიდის უნივერსიტეტის პროფესორი William Oates და პოსტ-დოკი Guanglei Xu ამტკიცებენ, რომ მათ მიაგნეს მეთოდს, რომელიც ავტომატურად ადგენს ე. წ. ბოლცმანის მანქანის კვანტური ალგორითმის პარამეტრებს. ბოლცმანის მანქანა ეწოდება ნეირონული ქსელის ტიპს, რომელიც სტატისტიკური ფიზიკის მეთოდებს იყენებს კოგნიტიურ მეცნიერებებში და წარმოადგენს პირველ ნეირონულ ქსელს, რომელსაც შეუძლია შინაგანი წარმოდგენებით თვით-სწავლება და რთული ამოცანების ამოხსნა კომბინატორიკაში.
ახალ ნაშრომში მიღებული შედეგების დახმარებით შესაძლებელია მოხდეს ისეთი ხელოვნური ნეირონული ქსელის კონსტრუირება, რომლის დახმარებითაც შესაძლებელი იქნება გაიწვრთნას გამოთვლითი მოწყობილობები უფრო რთული, ურთიერთ-დაკავშირებული პრობლემების გადასაჭრელად, როგორებიცაა: სურათების ამოცნობა, ნარკოტიკების აღმოჩენა და ახალი მასალების შექმნა.
კვანტურ კომპიუტერში ინფორმაციის შესანახად გამოიყენება კვანტური ბიტები - „ქუბიტები“, რომლებსაც, კლასიკური ბიტებისგან განსხვავებით, შეუძლიათ რამდენიმე მდგომარეობაში ერთდროულად ყოფნა გარკვეული ალბათობით. ქუბიტების „წაკითხვას“ - გაზომვას თან სდევს მათი განადგურება, ამიტომ კვანტური კომპიუტერები მუშაობენ ქუბიტების დაუზიანებლად, მათი მდგომარეობების ალბათობების გაზომვის პრინციპზე. ასეთ გამოთვლებს კვანტური კომპიუტერების სპეციალური ტიპი - კვანტური ანილატორები აკეთებენ. მათი მუშაობის პრინციპი მდგომარეობს იმაში, რომ კონკრეტულ ამოცანას უსაბამებენ ქუბიტებს რაღაც მდგომარეობებით და ეს მდგომარეობები წარმოდგენილია, როგორც ენერგიის რაღაც დონეები. ამოცანის ამონახსნად ითვლება მოცემული ქუბიტების ენერგიის დონეებიდან უმცირესი ენერგიის მნიშვნელობა. ეს მეთოდი გვეხმარება ისეთი რთული პრობლემების სწრაფად გადაჭრაში, რომლებსაც კლასიკური კომპოუტერები ძალიან დიდ დროში გადაწყვეტდნენ. ერთ-ერთი ასეთი პრობლემა არის კონკრეტულ ამოცანაზე მორგებული ეფექტური ნეირონული ქსელის შექმნა.
მსგავსი ნეირონული ქსელის შექმნის შესაძლებლობას გვაძლევს შეზღუდული ბოლცმანის მანქანა - ალგორითმი, რომელიც ნეირონულ ქსელზე შემავალ მონაცემებზე დაყრდნობით იყენებს ალბათობას რომ ისწავლოს, გაიწვრთნას. Oates-მა და Xu-მ იპოვეს გზა, რომელიც ავტომატურად ადგენს ე. წ. ეფექტურ ტემპერატურას, რომელსაც ალგორითმი შესრულების დროს იყენებს. შეზღუდული ბოლცმანის მანქანები, როგორც წესი, ეფექტურ ტემპერატურას ადგენენ მონაცემების ტესტირებით და შეუძლიათ ეს პარამეტრი შეცვალონ იმის და მიხედვით თუ როგორია ამოცანა. როგორც Oates ამბობს, თუ ამ პარამეტრს დიდი სიფრთხილით გამოვთვლით, ნეირონული ქსელის სწავლების პროცესი უფრო ეფექტური იქნება.
წყარო:
