เทคโนโลยีควอนตัมสามารถเร่งกระบวนการเรียนรู้ของเครื่องจักร

การทดลองใหม่ที่มหาวิทยาลัยเวียนนาได้แสดงให้เห็นว่าเทคโนโลยีควอนตัมสามารถเร่งกระบวนการเรียนรู้ของเครื่องจักรได้อย่างไร นักฟิสิกส์ที่เกี่ยวข้องกับการทำงานนี้ใช้โปรเซสเซอร์ควอนตัมสำหรับโฟตอนเดี่ยวเป็นหุ่นยนต์

การวิจัยได้รับการตีพิมพ์ใน Nature

มีการพัฒนาที่สำคัญในระยะหลังภายในสาขาคอมพิวเตอร์ควอนตัม และกำลังของเทคโนโลยีเหล่านี้กำลังถูกนำมาใช้อย่างต่อเนื่อง ซึ่งนำไปสู่การนำเทคโนโลยีนี้ไปใช้ในแอปพลิเคชันในชีวิตจริง และตอนนี้ผู้เชี่ยวชาญต้องการรวมปัญญาประดิษฐ์ (AI) และเครื่องจักรอัตโนมัติเข้ากับฟิสิกส์ควอนตัมและอัลกอริทึม

กระบวนการเรียนรู้

เพื่อให้บรรลุเป้าหมายนี้ นักวิทยาศาสตร์ได้ศึกษาวิธีการที่ฟิสิกส์ควอนตัมสามารถช่วยกระบวนการเรียนรู้ของหุ่นยนต์ และในทางกลับกัน บางผลลัพธ์ได้แสดงให้เห็นว่าหุ่นยนต์สามารถเคลื่อนที่ได้เร็วขึ้นหรือการทดลองควอนตัมสามารถใช้เทคนิคการเรียนรู้ใหม่ๆ ได้ แม้ว่าหุ่นยนต์จะเคลื่อนที่ได้เร็วขึ้น แต่ก็ยังไม่สามารถเรียนรู้ได้เร็วขึ้น ซึ่งเป็นสิ่งที่จำเป็นสำหรับการพัฒนาหุ่นยนต์อัตโนมัติที่ซับซ้อน

ฟิลลิป วัลเทอร์เป็นผู้นำความพยายามระหว่างประเทศโดยทีมนักฟิสิกส์ที่มหาวิทยาลัย เขาได้รับการสนับสนุนจากทฤษฎีจากมหาวิทยาลัยอินส์บรุค สถาบันวิทยาศาสตร์แห่งออสเตรีย มหาวิทยาลัยไลเดน และศูนย์อวกาศเยอรมัน

การทำงานร่วมกันได้สำเร็จในการพิสูจน์การทดลองการเร่งเวลาเรียนรู้ของหุ่นยนต์ ทีมงานได้พึ่งพาโฟตอนเดี่ยวและโปรเซสเซอร์ควอนตัมฟอตอนิกที่ออกแบบโดย MIT โปรเซสเซอร์นี้ถูกใช้เป็นหุ่นยนต์ที่เรียนรู้วิธีการส่งโฟตอนเดี่ยวไปยังทิศทางที่กำหนดไว้ล่วงหน้า

วาเลเรีย ซาจโจเป็นผู้เขียนหลักของการเผยแพร่นี้

“การทดลองสามารถแสดงให้เห็นว่าเวลาเรียนรู้ลดลงอย่างมีนัยสำคัญเมื่อเทียบกับกรณีที่ไม่ใช้ฟิสิกส์ควอนตัม” ซาจโจกล่าว

หลักการซุปเปอร์โพซิชัน

หุ่นยนต์สามารถเรียนรู้ได้โดยการได้รับรางวัลสำหรับการเคลื่อนไหวที่ถูกต้อง ในโลกคลาสสิก ตัวอย่างเช่น การเลี้ยวซ้ายและขวา สามารถเลือกได้เพียงทางเดียวเท่านั้น แต่ด้วยเทคโนโลยีควอนตัม หุ่นยนต์สามารถใช้หลักการซุปเปอร์โพซิชัน ซึ่งหมายความว่าสามารถเลี้ยวทั้งสองทางได้ในเวลาเดียวกัน

ฮันด์ บรีเกิลและทีมงานของเขา tại มหาวิทยาลัยอินส์บรุคได้พัฒนาทฤษฎีเกี่ยวกับตัวแทนการเรียนรู้ควอนตัม

“คุณสมบัติหลักนี้ทำให้สามารถนำไปใช้ในการค้นหาอัลกอริทึมควอนตัมที่ลดจำนวนการทดลองสำหรับการเรียนรู้เส้นทางที่ถูกต้อง ในผลลัพธ์ ตัวแทนที่สามารถสำรวจสภาพแวดล้อมในซุปเปอร์โพซิชันจะเรียนรู้ได้เร็วกว่าตัวแทนคลาสสิกของมัน” บรีเกิลกล่าว

ตามวัลเทอร์ “เรากำลังอยู่ในช่วงเริ่มต้นของการทำความเข้าใจความเป็นไปได้ของปัญญาประดิษฐ์ควอนตัม และดังนั้นผลการทดลองใหม่ๆ ทุกอย่างจึงมีส่วนช่วยในการพัฒนาสาขานี้ ซึ่งปัจจุบันถือเป็นหนึ่งในพื้นที่ที่อุดมสมบูรณ์ที่สุดสำหรับการคำนวณควอนตัม”