19-Qubit-Prozessor für selbständiges maschinelles Lernen
Rigetti Computing hat bewiesen, dass einer ihrer supraleitenden Quanten-Prozessoren in der Lage ist, eine Art maschinelles Lernen zu praktizieren, das merklich zur Entwicklung der KI beitragen könnte.
Rigetti Computing hat bewiesen, dass einer ihrer supraleitenden Quanten-Prozessoren in der Lage ist, eine Art maschinelles Lernen zu praktizieren, das merklich zur Entwicklung der KI beitragen könnte.
Laut Rigetti Computing ist ihr supraleitender Quanten-Prozessor mit seinen 19 Qubits dazu in der Lage, völlig unbeaufsichtigt maschinelles Lernen zu praktizieren. Im Gegensatz zum überwachten maschinellen Lernen, bei dem die Resultate eines Algorithmus basierend auf speziellen Trainingsdaten bekannt sind, bietet das selbstständige maschinelle Lernen das Potential, auch komplexe Probleme zu behandeln, bei denen lediglich Eingabedaten ohne Trainingsdatensatz verwendet werden und die Ergebnisse unbekannt sind.
Unbeaufsichtigtes maschinelles Lernen wird derzeit in einer Vielzahl von Anwendungen eingesetzt, einschließlich Bioinformatik für Sequenzanalyse und genetisches Clustering, Data-Mining für Sequenzen und Muster, in der medizinischen Bildgebung für die Bildsegmentierung und beim Computer-Sehen für die Objekterkennung
Bei ihrer Demonstration verwendete das Rigetti-Team einen von ihnen entwickelten Hybridalgorithmus mit Quanten- und klassisches Anteilen für das Clustering. Laut Rigetti gelang mit den 19 Qubits in ihrem Prozessor die bisher größte Hybrid-Demonstration. Der 19Q-Prozessor ist als programmierbares Backend verfügbar. Das Unternehmen präsentierte außerdem die neueste Version seiner Quantenentwicklungsumgebung: Forest 1.2.
Auf der Website der Cornell University Unsupervised Machine Learning on a Hybrid Quantum Computer gibt es neben einem Abstract auch einen Download-Link zum zehnseitigen Forschungsbericht.
Laut Rigetti Computing ist ihr supraleitender Quanten-Prozessor mit seinen 19 Qubits dazu in der Lage, völlig unbeaufsichtigt maschinelles Lernen zu praktizieren. Im Gegensatz zum überwachten maschinellen Lernen, bei dem die Resultate eines Algorithmus basierend auf speziellen Trainingsdaten bekannt sind, bietet das selbstständige maschinelle Lernen das Potential, auch komplexe Probleme zu behandeln, bei denen lediglich Eingabedaten ohne Trainingsdatensatz verwendet werden und die Ergebnisse unbekannt sind.
Unbeaufsichtigtes maschinelles Lernen wird derzeit in einer Vielzahl von Anwendungen eingesetzt, einschließlich Bioinformatik für Sequenzanalyse und genetisches Clustering, Data-Mining für Sequenzen und Muster, in der medizinischen Bildgebung für die Bildsegmentierung und beim Computer-Sehen für die Objekterkennung
Bei ihrer Demonstration verwendete das Rigetti-Team einen von ihnen entwickelten Hybridalgorithmus mit Quanten- und klassisches Anteilen für das Clustering. Laut Rigetti gelang mit den 19 Qubits in ihrem Prozessor die bisher größte Hybrid-Demonstration. Der 19Q-Prozessor ist als programmierbares Backend verfügbar. Das Unternehmen präsentierte außerdem die neueste Version seiner Quantenentwicklungsumgebung: Forest 1.2.
Auf der Website der Cornell University Unsupervised Machine Learning on a Hybrid Quantum Computer gibt es neben einem Abstract auch einen Download-Link zum zehnseitigen Forschungsbericht.