量子科技中心_量科网

非负矩阵分解（NMF）是一种在无监督学习中具有重要应用的矩阵分解问题。该问题及其多数变体本质上属于NP难问题。该研究团队探索了如何利用适用于特定非冯·诺伊曼架构机器的基于能量的优化方法来解决这一问题。研究人员采用基于熵计算范式、由Quantum Computing Inc.制造的Dirac-3设备来评估该方法，构建了两种模型：(i) 适用于伊辛机的二次无约束二进制优化模型（QUBO），以及(ii) 允许实值与整型变量的四次模型（适用于Dirac-3等设备）。尽管现有设备尚无法解决大规模NMF问题，但初步实验结果已显示出足以推动后续研究的积极前景。 针对非负实数矩阵，该团队发现：先使用Dirac-3设备生成初始因子矩阵，再将其输入Scikit-learn的NMF流程进行融合处理的方法，在默认参数下重构矩阵的误差表现优于单独使用Scikit-learn的标准流程。在非负整数矩阵实验中，将Dirac-3设备与谷歌CP-SAT求解器（集成于Or-Tools工具包）对比发现：在串行处理模式下，Dirac-3在大多数案例中性能更优。研究人员认为，未来工作有望确定熵计算（及其他非冯·诺伊曼架构）能展现显著优势的特定问题领域与变体。