Red neuronal cuántica

De Wikipedia, la enciclopedia libre
Ir a la navegación Ir a la búsqueda

Una red neuronal cuántica (QNN) es un modelo de red 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 de 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[editar]

En la aproximación computacional a la investigación sobre redes cuánticas neurales,[1][2]​ los científicos intentan combinar los modelos de redes neuronales artificiales (que son muy utilizados en el aprendizaje automático para clasificación de patrones) con las ventajas de información cuántica para desarrollar algoritmos más eficaces (para un análisis, ver[3]​). Una de las principales motivaciones para estas investigación es la dificultad de entrenar redes neuronales, especialmente en aplicaciones de macrodatos. Hay esperanzas de que ciertas características de la informática cuántica, como por ejemplo el paralelismo cuántico o los efectos de interferencia y entrelazamiento cuántico, puedan ser utilizados para su desarrollo. Puesto que la implementación de las tecnologías necesarias para la creación de una computadora cuántica siguen en una etapa embrionaria, tales modelos de redes neuronales cuánticas son meramente propuestas teóricas que esperar ser utilizadas en experimentos físicos.

La investigación en torno a las redes neuronales cuánticas está dando sus primeros pasos, pero existen un alto número de propuestas con enfoques y rigor matemático muy dispares. La mayoría de ellas están basadas en la idea de reemplazar las neuronas binarias o de Macculloch-Pitt por un cúbit (a las que se puede llamar un quron), resultando en unidades neuronales que puede estar en un estado de superposición (activa y en reposo a la vez).

Idea histórica[editar]

Las primeras teorías sobre computación neuronal fueron publicadas por Subhash Kak, quien habla de 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 cuántica que está basado en la teoría de los múltiples universos que se derrumban en el modelo deseado tras realizar una medición.[7]​ Desde entonces se han publicado muchos más artículos en revistas de ciencias de la computación así como en las de física cuántica para encontrar un modelo de red neuronal cuántico óptimo.

Perceptrones cuánticos[editar]

Muchos investigadores intentan encontrar un equivalente cuántico del perceptrón, la unidad con la que se construyen las redes neuronales. Un problema es que la funciones de activación no lineales no se corresponden de manera inmediata a la estructura matemática de la teoría cuántica, ya que la evolución cuántica está descrita por operaciones lineales y conducen a una observación probabilística. Existen ideas para imitar la función de activación de un perceptrón con un formalismo de mecánica cuántica, que van desde medidas especiales[8][9]​ hasta la postulación de operadores cuántico no lineales (un modelo matemático que está siendo rebatido).[10][11]​ Recientemente se ha propuesto una implementación sencilla de la función de activación utilizando el modelo de computación cuántica basada en circuitos por parte de Schuld, Sinayskiy y Petruccione, basándose en el algoritmo cuántico de estimación de fase.[12]

Lógica difusa[editar]

Se ha prestado cierta atención a un modelo inspirado por la mecánica cuántica que usa ideas de la teoría cuántica para implementar una red neuronal basada en lógica difusa.[13]

Redes cuánticas[editar]

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 cúbits 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.[editar]

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[editar]

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[editar]

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[editar]

  • Holographic associative Memoria
  • Cognición cuántica

Referencias[editar]

  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 y la última versión). 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/