从基因图谱到空间探索，人类不断产生越来越多的数据集——远远超出了人们实际处理、管理或理解的信息。机器学习系统可以帮助研究人员应对不断增长的信息洪流。在这些分析工具中，一些最强大的工具是基于一个称为拓扑的奇异几何分支，这个分支处理的属性即使在某些方向上弯曲和拉伸时也保持不变。
这种拓扑系统对于分析复杂网络中的连接特别有用，比如大脑的内部布线，美国电网或互联网的全球互联。然而，即使有最强大的现代超级计算机，这样的问题仍然令人望而生畏和不切实际。现在，麻省理工学院、滑铁卢大学和南加利福尼亚大学的研究人员开发了一种新方法，通过使用量子计算机来简化这些问题。
该团队在《自然通讯》杂志上描述了他们的理论建议。机械工程教授、该论文的主要作者、南平苏的赛斯劳埃德解释说，代数拓扑是新方法的关键。他说，这种方法有助于减少每次有人收集真实世界的数据时不可避免地发生的失真的影响。
在拓扑描述中，数据的基本特征(它有几个洞？不同部分怎么连接？)被认为是一样的，不管它们被拉伸、压缩或变形了多少。劳埃德解释说，正是这些基本的拓扑属性“对于试图重建真实世界中数据应该代表的基本模式非常重要”。
他说分析哪个数据集不重要。寻找连接和孔洞的拓扑方法“无论是实际的物理孔洞还是表示逻辑参数的数据，参数中都有孔洞。”这就暴露出两种漏洞。"
使用传统的计算机，除了最简单的情况，这种方法要求很高。劳埃德说：“拓扑分析代表了获取数据重要特征的一种关键方法，但它的计算成本非常高。”"这就是量子力学开始的地方."他说，新的基于量子的方法可以成倍地加快计算速度。
劳埃德提供了一个例子来说明这种潜在的加速效应：如果你有一个包含300个点的数据集，分析系统中所有拓扑特征的传统方法将需要“一台宇宙大小的计算机”，他说。也就是说，它需要2 300(2到300次方)的处理单位——宇宙中所有粒子的除数。换句话说，问题根本不能这样解决。
他说：“这是我们算法的起点。”劳埃德认为，使用量子计算机用新系统解决同样的问题只需要300个量子比特，这种规模的设备将在未来几年内实现。
他说：“我们的算法表明，你可以在没有大型量子计算机的情况下踢出一些严肃的拓扑图。”
劳埃德说，在许多重要的大型数据集中，量子拓扑方法可能是有用的，例如理解大脑中的相互联系。他说：“通过对脑电图(EEG)或功能磁共振成像(泛函MRI)收集的数据集进行拓扑分析，你可以揭示构成我们思维过程的兴奋神经元序列的复杂连通性和拓扑结构。”
许多其他类型的信息可以用同样的方法进行分析。劳埃德说：“你可以将其应用于世界经济、社交网络或几乎任何涉及商品或信息远程传输的系统。”然而，经典计算的局限性阻碍了该方法的应用。
他说，虽然这项工作是理论性的，“实验者已经联系了我们，并试图使用原型”。“你可以在一台非常简单的量子计算机上找到一个简单的拓扑。人们正在尝试概念验证实验。”
德国慕尼黑马克斯普朗克量子光学研究所教授伊格纳西奥西拉克(Ignacio Cirac)没有参与这项研究，他称之为“一个非常原始的想法，我认为它有很大的潜力。”他补充说：“我想它必须进一步发展和适应具体的问题。无论如何，我认为这是一项高质量的研究。”
版权声明：内容来源于互联网和用户投稿 如有侵权请联系删除