Strangeworks, Inc. (Strangeworks) e Rigetti Computing, Inc. (Rigetti) hanno annunciato l'impegno di Strangeworks a rendere disponibili sulla sua piattaforma due nuove applicazioni di apprendimento automatico quantistico (QML) di Rigetti. Queste nuove applicazioni QML sono i metodi di rete neurale quantum kernel e quantum convolutional "quanvolutional" di Rigetti, ottimizzati specificamente per i computer quantistici di Rigetti e progettati per far progredire lo sviluppo di applicazioni relative a problemi di classificazione e regressione. Si prevede che queste applicazioni QML saranno inizialmente disponibili esclusivamente sulla piattaforma Strangeworks all'inizio del 2023. Le applicazioni saranno rese disponibili attraverso il modello di accesso on-demand, pay-as-you-go di Rigetti tramite Strangeworks.

L'accesso on-demand ai sistemi Rigetti è stato reso possibile dalla stretta integrazione delle unità di elaborazione quantistica di Rigetti con la piattaforma Strangeworks. L'integrazione ha anche portato a prestazioni più elevate dei sistemi Rigetti su Strangeworks, consentendo una minore latenza complessiva dei programmi e il supporto nativo del linguaggio di programmazione Quil. Maggiori informazioni sulle applicazioni e sulla piattaforma Strangeworks: Applicazioni gestite da StrangeworksQueste applicazioni saranno disponibili sulla piattaforma Strangeworks, che dispone di un catalogo in rapida crescita di servizi "chiavi in mano", progettati per rendere più facile l'integrazione delle tecnologie di calcolo quantistico nei flussi di lavoro e l'applicazione ai problemi. Metodo della Rete Neurale Quanvoluzionale di RigettiIl metodo della Rete Neurale Quanvoluzionale di Rigetti è progettato per migliorare l'analisi delle immagini e dei video, aggiungendo caratteristiche potenziate dal punto di vista quantistico a un set di dati esistenti da utilizzare con le reti neurali classiche.

Questo metodo è potenzialmente adatto a semplificare l'elaborazione dell'apprendimento automatico successivo, in quanto può richiedere meno dati e meno parametri per addestrare il modello classico. Metodo Quantum Kernel di RigettiIl Metodo Quantum Kernel di Rigetti è progettato per valutare le somiglianze tra i punti di una serie di dati, che possono essere preziosi per l'utilizzo in un modello di classificazione o di regressione. Valutando le somiglianze nello spazio esponenzialmente più ampio offerto dall'unità di elaborazione quantistica, i risultati di questo metodo potrebbero essere utilizzati per il rilevamento delle anomalie.