量智信息中心_量科网

机器学习通常以确定性逻辑操作来描述，而物理系统通常在噪声、耗散和不可逆性的环境中运行。这里，该团队将这些物理效应转化为一种自主、可解释的学习架构的计算资源。基于热力学神经元开发了一个分类器，这些神经元是自主的量子热力学机器，通过热流实现逻辑操作，并利用这些构建了Tsetlin机的随机版本——一种可解释的基于规则的学习架构。通过将热力学与门、非门和或门与自主耦合机制相结合，该团队实现了一个无需外部时间依赖性控制即可展开计算的学习系统。尽管其组件存在噪声，但由此产生的分类器在分类准确度上在统计上与标准Tsetlin机相当。可靠性源于阈值化和冗余等架构机制，而非精确的逻辑操作。该工作的结果强调，准确且可解释的学习可以从自主随机动力学中涌现，并将热力学计算确立为物理机器学习的可行框架。