Un travail publié dans Nature Machine Intelligence propose QuanONet, un opérateur neuronal quantique conçu pour l'ère des dispositifs quantiques à échelle intermédiaire bruités. Les opérateurs neuronaux classiques sont utilisés pour résoudre des équations aux dérivées partielles.
Les auteurs de l'étude associent le développement d'analogues quantiques efficaces à deux problèmes des approches existantes: des coûts de calcul élevés et des lacunes théoriques. La description indique également que certains paradigmes d'apprentissage automatique quantique nécessitent une mise à l'échelle trop importante du nombre de qubits ou des circuits profonds pour le matériel à court terme.
La source se compose de métadonnées et d'un bref synopsis de l'éditeur, et non du texte intégral de la recherche. Par conséquent, sur la base des documents disponibles, il est impossible d'établir l'architecture de QuanONet, les résultats des expériences, le nombre requis de qubits ou l'existence d'une comparaison avec les méthodes classiques.
commentaire éditorial
Pourquoi c’est important
La valeur probable de ce travail réside dans la recherche d'un format plus applicable d'opérateurs neuronaux quantiques face aux contraintes des équipements quantiques les plus proches. Le prochain signal observable sera la publication des détails de l'architecture et des résultats des tests. Une incertitude substantielle subsiste : la source disponible ne confirme ni l'efficacité, ni l'évolutivité, ni la supériorité de la méthode.