佛罗里达州立大学比尔·韦洛克 限制性玻尔兹曼机(RBM)二部图的图示，其中viviv_i是可见节点，hjhjh_j是隐藏节点，wijwijw_{ij}是连接隐藏和可见节点的权重
佛罗里达州立大学教授的研究可以帮助量子计算实现其作为强大计算工具的承诺
威廉·奥茨，康明斯公司
FAMU-FSU工程学院机械工程系系主任、机械工程教授和博士后研究员徐光磊发现了一种自动推断用于机器学习应用的重要量子玻尔兹曼机器算法中的参数的方法
他们的发现发表在《科学报告》上
这项工作有助于建立人工神经网络，用于训练计算机解决复杂、相互关联的问题，如图像识别、药物发现和新材料的创造
奥茨说:“人们相信，随着量子计算的上线和计算能力的提高，它可以为你提供一些新的工具，但是弄清楚如何对它进行编程以及如何在某些应用中应用它是一个大问题。”
与标准计算机中的二进制位不同，量子位一次可以存在于多个状态中，这个概念被称为叠加
测量量子比特(或称量子位)的状态会导致它失去这种特殊状态，因此量子计算机通过在量子比特被观察到之前计算它的状态概率来工作
被称为量子退火器的专用量子计算机是进行这种计算的一种工具
它们通过将一个量子位的每个状态表示为一个能级来工作
量子位中能量最低的状态给出了问题的解决方案
结果是一台机器可以处理复杂的、相互关联的系统，而这需要一台普通的计算机花很长时间来计算——就像建立一个神经网络一样
构建神经网络的一种方法是使用受限的玻尔兹曼机器，这是一种基于网络输入的概率学习算法
Oates和Xu发现了一种自动计算与该算法中使用的有效温度相关的重要参数的方法
受限玻尔兹曼机器通常会猜测该参数，这需要测试来确认，并且每当计算机被要求调查新问题时，该参数就会发生变化
“模型中的参数复制了量子退火器正在做的事情，”奥茨说
“如果你能准确地估计它，你就能更有效地训练你的神经网络，并用它来预测事物
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
