Un equipo de computación cuántica de IBM, en asociación con la universidad de Oxford y MIT, ha desarrollado y probado un algoritmo cuántico que podría permitir el aprendizaje automático en máquinas cuánticas muy pronto.
El objetivo de estas máquinas cuánticas es poder desarrollar conjuntos complejos de datos de “mapas de características”. En otras palabras, estas máquinas podrían desglosar los datos en identificadores centrales, por ejemplo, separando todos los píxeles de una sola imagen y luego colocándolos en una nueva cuadrícula basada en Características como el color.
La diferencia entre una máquina cuántica y un algoritmo de aprendizaje automático convencional, radica en que la máquina podría tomar enormes conjuntos de datos llenos de información compleja y patrones de puntos que podrían ser invisibles para una computadora clásica.
El artículo titulado ‘Aprendizaje supervisado con espacios de funciones mejoradas cuánticas’, publicado en la revista Nature, explica cómo los investigadores elaboraron un “modelo con nuevos algoritmos de clasificación de datos cuánticos y mapas de funciones”.
Al respecto, IBM destacó:
“Eso es importante para la IA, ya que cuanto más grande y más diverso es un conjunto de datos, más difícil es separar esos datos en clases significativas para entrenar un algoritmo de aprendizaje automático. La clasificación incorrecta se debe al proceso de aprendizaje automático. podría introducir resultados indeseables; por ejemplo, perjudicar la capacidad de un dispositivo médico para identificar células cancerosas basándose en datos de mamografía”.
Según el coautor del artículo, Antonio D. Córcoles, en declaraciones con Computerworld UK, la idea principal de este proyecto no es transformar las reglas básicas del aprendizaje automático hacia las técnicas cuánticas.
En su lugar, los investigadores quieren encontrar una distinción en el algoritmo que proporcione una ventaja más allá del método cuántico.