Neurônio artificial não-binário com variação de fase implementado em um computador quântico

Autores

DOI:

https://doi.org/10.5902/2179460X69281

Palavras-chave:

Computação quântica, Mecânica quântica, Rede neural artificial, Neurônio sigmoide, Gradiente descendente

Resumo

O primeiros neurônios artificiais quânticos seguiram um caminho similar aos modelos clássicos, envolvendo apenas estados discretos. Neste artigo, introduzimos um algoritmo que generaliza o modelo binário, manipulando a fase de números complexos. Propomos, testamos e implementamos um modelo de neurônio que envolve valores contínuos em um computador quântico. Através de simulações, demonstramos que nosso modelo funciona em um esquema híbrido utilizando o gradiente descendente como algoritmo de aprendizado. Esse trabalho representa um novo passo na direção da avaliação do uso de redes neurais implementadas eficientemente em dispositivos quânticos de curto-prazo.

Downloads

Não há dados estatísticos.

Biografia do Autor

Jhordan Silveira de Borba, Universidade Federal do Rio Grande do Sul

Mestrando em Física Instituto de Física - UFRGS Sociophysics, Econophysics, and Complex Networks

Jonas Maziero, Universidade Federal de Santa Maria

Professor Associado de Física, Universidade Federal de Santa Maria

Referências

Altaisky, M. V. (2001). Quantum neural network.quant-ph/0107012.

Feldman, J., Rojas, R. (1996).Neural Networks: A Systematic Introduction. Springer Berlin Heidelberg, URL https://books.google.com.br/books?id=txsjjYzFJS4C.

Merolla, P. A., Arthur, J. V., Alvarez-Icaza, R., Cassidy, A. S., Sawada, J., Akopyan, F., Jackson, B. L., Imam, N., Guo,C., Nakamura, Y., Brezzo, B., Vo, I., Esser, S. K., Appuswamy, R., Taba, B., Amir, A., Flickner, M. D., Risk, W. P.,Manohar, R., Modha, D. S. (2014). A million spiking-neuron integrated circuit with a scalable communication network andinterface.Science,345(6197), 668–673, URL https://science.sciencemag.org/content/345/6197/668,https://science.sciencemag.org/content/345/6197/668.full.pdf. DOI: https://doi.org/10.1126/science.1254642

Nielsen,M.A.(2015).Neural networks and deep learning. Determination Press, URL http://neuralnetworksanddeeplearning.com/.

Peruš, M. (2000). Neural networks as a basis for quantum associative networks.Neural Netw World,10(6), 1001–1013.

Sanz, M., Lamata, L., Solano, E. (2018). Invited article: Quantum memristors in quantum photonics.APL Photonics,3(8), 080,801,URL https://doi.org/10.1063/1.5036596, https://doi.org/10.1063/1.5036596. DOI: https://doi.org/10.1063/1.5036596

Schuman, C. D., Potok, T. E., Patton, R. M., Birdwell, J. D., Dean, M. E., Rose, G. S., Plank, J. S. (2017). A survey of neuromorphic computing and neural networks in hardware.1705.06963.

Sutherland, J. G. (1994).The holographic cell: a quantum perspective, John Wiley Sons.

Tacchino, F., Macchiavello, C., Gerace, D., Bajoni, D. (2019). An artificial neuron implemented on an actual quantum processor.npj Quantum Information,5(1), URLhttp://dx.doi.org/10.1038/s41534-019-0140-4. DOI: https://doi.org/10.1038/s41534-019-0140-4

Downloads

Publicado

2024-10-10

Como Citar

Borba, J. S. de, & Maziero, J. (2024). Neurônio artificial não-binário com variação de fase implementado em um computador quântico. Ciência E Natura, 46. https://doi.org/10.5902/2179460X69281