Ir al contenido

Diferencia entre revisiones de «Red neuronal cuántica»

De Wikipedia, la enciclopedia libre
Ir a siguiente diferencia →
Contenido eliminado Contenido añadido
VisualWikitexto
Creado al traducir la página «Quantum neural network»
(Sin diferencias)

Revisión del 20:41 19 dic 2016

Las redes neuronales cuánticas (QNNs) es un modelo de redes neuronal qué está basado en los principios de la mecánica cuántica. Hay dos aproximaciones diferentes en la investigación de las QNN, uno explotando el procesamiento   información cuántico para mejorar los modelos de redes neuronales actuales (a veces también viceversa), y el otro que busca efectos cuánticos potenciales en el cerebro.

Redes neuronales cuánticas artificiales

En la aproximación computacional a búsqueda de red neuronal cuántica, los científicos intentan combinar modelos de red neuronales artificiales (los cuáles son ampliamente utilizados en aprendizaje de máquina para clasificación de patrones) con las ventajas de información cuántica para desarrollar algoritmos más eficaces (para una revisión, ver )[1]​[2]​[3]​. Una de las motivaciones más importante para estas investigaciones es la dificultad para entrenar redes neuronales clásicas, especialmente en aplicaciones de "big data". La esperanza es que las características de la informática cuántica como paralelismo cuántico o los efectos de interferencia y entanglement puede ser utilizado como recursos. Ya que la implementación tecnológica de un ordenador cuántico sigue en una etapa prematura, tales modelos de red neuronales cuánticos son mayormente propuestas teóricas que aguardan su implementación.

La investigación de redes neuronales cuánticas sigue en su infancia, y una conglomeración de propuestas e ideas de alcance y rigor matemático variable han sido presentadas. La mayoría de ellos está basado en la idea de reemplazar las neuronas clásicas(binarias o de Macculloch-Pitt) con un qubit (que se pueden apellidar un “quron”), resultando en unidades neuronales que puede estar en un estado de superposición (‘firing' y ‘resting' a la misma vez).

Idea histórica

Las primeras ideas de computación neuronal fueron publicadas por Subhash Kak, quién habla la semejanza de la función de activación neuronal con la ecuación de valores propios de la mecánica cuántica[4]​. Kak también habla de la aplicación de estas ideas al estudio de las funciones del cerebro y las limitaciones de esta aproximación.[5]​[6]​ Ajit Narayanan y Tammy Menneer propusieron una implementación fotónica de un modelo de red neuronal cuántico que está basado en la teoría de muchos-universos y “derrumbamientos”.[7]​ Desde entonces, más y más artículos han sido publicados en revistas de informática así como en las de física cuántica para encontrar un modelo de red neuronal cuántico superior.

Perceptrones cuánticos

Muchas propuestas intentan encontrar un equivalente cuántico para el perceptrón, la unidad de qué redes neuronales está construida. Un problema es que la no-linealidad de las funciones de activación no corresponde inmediatamente a la estructura matemática de la teoría cuántica, ya que una evolución cuántica está descrita por operaciones lineales y conducen a una observación probabilista. Ideas de imitar la función de activación del perceptron con un formalismo mecánico cuántico pasa por  la postulación de operadores no-lineales cuánticos  (un marco matemático que es discutido).[8]​[9]​[10]​[11]​ Una implementación directa de la función de activación que utiliza un modelo de de computación cuántica basado en circuitos  ha sido recientemente propuesta por Schuld, Sinayskiy y Petruccione basado en el algoritmo de valoración de fase cuántico.[12]​

Lógica difusa

Una cantidad sustancial de interés ha sido dada a un modelo inspirado por la mecánica cuántica que usa ideas de teoría cuántica para implementar una red neuronal basada en lógica difusa.[13]​

Redes cuánticas

Algunas contribuciones invierten la aproximación e intentan explotar las ideas de la investigación de redes neuronales para obtener aplicaciones potentes para informática cuántica, como el diseño de algoritmos cuánticos apoyados por aprendizaje de máquinas.[14]​ Un ejemplo es el trabajo de Elizabeth Behrman y Jim Steck, quiénes proponen un modelo de computación cuántica que consiste en un número de qubits con interacciones mutuas modificables.[15]​ Siguiendo la regla clásica de backpropagation, la fuerza de las interacciones son aprendidas de un conjunto de ejemplos entrantes, entonces la red cuántica 'aprende' un algoritmo.

Memoria asociativa cuántica.

El algoritmo de memoria cuántica asociativa ha sido introducido por Dan Ventura y Tony Martinez en 1999.[16]​ Los autores no intenta traducir la estructura de las redes neuronales artificiales hacia la teoría cuántica, sino que proponen un algoritmo para una computadora cuántica basada en circuitos que simula memoria asociativa. Los estados de memoria (en las redes neuronales de Hopfield guardados en los pesos de las conexiones neuronales) son escritos a una superposición, y un algoritmo (Grover-like) de búsqueda cuántica recupera el estado de la memoria más cercano a una entrada dada. Una ventaja reside en la capacidad de almacenamiento exponencial de estados de memoria, aun así la pregunta que se mantiene es si el modelo tiene significación teniendo en cuenta el propósito inicial de las redes de Hopfield como una demostración de que una red neuronal puede simular características del cerebro.

Aprendizaje cuántico

La mayoría de algoritmos de aprendizaje siguen el modelo clásico de entrenar una red neuronal artificial para aprender una función de entrada-salida conjunto de entrenamiento dado y utilizar unos bucles de retroalimentación clásicos para actualizar parámetros del sistema cuántico hasta que convergen a una configuración óptima. El aprendizaje como problema de optimización de parámetros también ha sido atacado por modelos adiabáticos de informática cuántica.[17]​

Redes neuronales cuánticas biológicas

A pesar de que muchos investigadores de red neuronales cuánticos explícitamente limitan su alcance a una perspectiva computacional, el campo está estrechamente relacionado a investigaciones de efectos cuánticos potenciales en redes neuronales biológicas.[18]​[19]​ Modelos de memoria y agentes cognitivos basados en colectivos cuánticos han sido propuestos por Subhash Kak, pero él también señala a problemas concretos de límites de  observación y control de estas memorias debido a razones lógicas fundamentales.[20]​[21]​ La combinación de neurociencia y física cuánticas también nutre un debate vívido más allá de las fronteras de ciencia, un ejemplo ilustrativo siendo revistas como NeuroQuantology o el método de curación de Neurología Cuántica.[22]​[23]​

Ve también

  • Holographic associative Memoria
  • Cognición cuántica

Referencias

[24]​[25]​

  1. ↑ da Silva, Adenilton J.; Ludermir, Teresa B.; de Oliveira, Wilson R. «Quantum perceptron over a field and neural network architecture selection in a quantum computer». Neural Networks 76: 55-64. doi:10.1016/j.neunet.2016.01.002. 
  2. ↑ Panella, Massimo; Martinelli, Giuseppe. «Neural networks with quantum architecture and quantum learning». International Journal of Circuit Theory and Applications 39: 61-77. doi:10.1002/cta.619. 
  3. ↑ M. Schuld, I. Sinayskiy, F. Petruccione: The quest for a Quantum Neural Network, Quantum Information Processing 13, 11 , pp. 2567-2586 (2014)
  4. ↑ S. Kak, On quantum neural computing, Advances in Imaging and Electron Physics 94, 259 (1995)
  5. ↑ S. Kak, The three languages of the brain: quantum, reorganizational, and associative.
  6. ↑ A. Gautam and S. Kak, Symbols, meaning, and origins of mind.
  7. ↑ A. Narayanan and T. Menneer: Quantum artificial neural network architectures and components, Information Sciences 128, 231-255 (2000)
  8. ↑ M. Perus: Neural Networks as a basis for quantum associative memory, Neural Network World 10 (6), 1001 (2000)
  9. ↑ M. Zak, C.P. Williams: Quantum Neural Nets, International Journal of Theoretical Physics 37(2), 651 (1998)
  10. ↑ S. Gupta, R. Zia: Quantum Neural Networks, Journal of Computer and System Sciences 63(3), 355 (2001)
  11. ↑ J. Faber, G.A. Giraldi: Quantum Models for Artificial Neural Network (2002), Electronically available: http://arquivosweb.Uso incorrecto de la plantilla enlace roto (enlace roto disponible en Internet Archive; véase el historial, la primera versión y la última). lncc.br/pdfs/QNN-Review. pdf
  12. ↑ M. Schuld, I. Sinayskiy, F. Petruccione: Simulating a perceptron on a quantum computer ArXiv:1412.3635 (2014)
  13. ↑ G. Purushothaman, N. Karayiannis: Quantum Neural Networks (QNN’s): Inherently Fuzzy Feedforward Neural Networks, IEEE Transactions on Neural Networks, 8(3), 679 (1997)
  14. ↑ J. Bang et al.
  15. ↑ E.C. Behrman, J.E. Steck, P. Kumar, K.A. Walsh: Quantum Algorithmic design using dynamic learning, Quantum Information and Computation, vol. 8, No. 1&2, pp. 12-29 (2008)
  16. ↑ D. Ventura, T. Martinez: A quantum associative memory based on Grover's algorithm, Proceedings of the International Conference on Artificial Neural Networks and Genetics Algorithms, pp. 22-27 (1999)
  17. ↑ H. Neven et al.: Training a Binary Classifier with the Quantum Adiabatic Algorithm, arXiv:0811.0416v1 (2008)
  18. ↑ W. Loewenstein: Physics in mind.
  19. ↑ H. Stapp: Mind Matter and Quantum Mechanics, Springer, Heidelberg (2009)
  20. ↑ S. Kak, Biological memories and agents as quantum collectives.
  21. ↑ S. Kak, Observability and computability in physics, Quantum Matter 3: 172-176 (2014)
  22. ↑ http://www.neuroquantology.com/index.php/journal
  23. ↑ http://quantumneurology.com/
  24. ↑ Neukart, Florian (2013). «On Quantum Computers and Artificial Neural Networks». Signal Processing Research 2 (1). 
  25. ↑ Neukart, Florian (2014). «Operations on Quantum Physical Artificial Neural Structures». Procedia Engineering 2 (1): 1509-1517. 
Obtenido de «https://es.wikipedia.org/w/index.php?title=Red_neuronal_cuántica&oldid=95720343»