Quantum machine learning

Sprogtilegnelse hos små børn er tilsyneladende forbundet med deres evne til at opdage mønstre. I deres læreproces, de søger efter mønstre i datasættet, der hjælper dem med at identificere og optimere grammatikstrukturer for korrekt at tilegne sig sproget. Ligeledes, online oversættere bruger algoritmer gennem maskinlæringsteknikker til at optimere deres oversættelsesmotorer til at producere afrundede og forståelige resultater. Selvom mange oversættelser slet ikke gav meget mening i begyndelsen, i de sidste år har vi været i stand til at se store forbedringer takket være maskinlæring.

Maskinlæringsteknikker bruger matematiske algoritmer og værktøjer til at søge efter mønstre i data. Disse teknikker er blevet effektive værktøjer til mange forskellige applikationer, som kan variere fra biomedicinske anvendelser som f.eks. ved kræftrekognoscering, inden for genetik og genomik, i overvågning og diagnose af autisme og endda plastikkirurgi, til ren anvendt fysik, for at studere materialernes art, materie eller endda komplekse kvantesystemer.

I stand til at tilpasse og ændre, når de udsættes for et nyt datasæt, maskinlæring kan identificere mønstre, ofte bedre end mennesker i nøjagtighed. Selvom maskinlæring er et stærkt værktøj, visse applikationsdomæner forbliver uden for rækkevidde på grund af kompleksitet eller andre aspekter, der udelukker brugen af ​​de forudsigelser, læringsalgoritmer giver.

Dermed, i de seneste år, kvantemaskinlæring er blevet et spørgsmål om interesse på grund af det enorme potentiale som en mulig løsning på disse uløselige udfordringer, og kvantecomputere viser sig at være det rigtige værktøj til dens løsning.

I en nylig undersøgelse, udgivet i Natur , et internationalt forskerteam integreret af Jacob Biamonte fra Skoltech/IQC, Peter Wittek fra ICFO, Nicola Pancotti fra MPQ, Patrick Rebentrost fra MIT, Nathan Wiebe fra Microsoft Research, og Seth Lloyd fra MIT har gennemgået den faktiske status for klassisk maskinlæring og kvantemaskinlæring. I deres anmeldelse, de har grundigt behandlet forskellige scenarier, der omhandler klassisk og kvantemaskineindlæring. I deres undersøgelse, de har overvejet forskellige mulige kombinationer:den konventionelle metode til at bruge klassisk maskinlæring til at analysere klassiske data, ved hjælp af kvantemaskinlæring til at analysere både klassiske og kvantedata, og endelig, ved hjælp af klassisk maskinlæring til at analysere kvantedata.

For det første, de satte sig for at give et dybtgående overblik over status for nuværende overvågede og ikke-overvågede læringsprotokoller i klassisk maskinlæring ved at angive alle anvendte metoder. De introducerer kvantemaskinlæring og giver en omfattende tilgang til, hvordan denne teknik kan bruges til at analysere både klassiske og kvantedata, understreger, at kvantemaskiner kan fremskynde behandlingstider takket være brugen af ​​kvanteanglidere og universelle kvantecomputere. Quantum annealing teknologi har bedre skalerbarhed, men mere begrænsede brugssager. For eksempel, den seneste iteration af D-Waves superledende chip integrerer to tusinde qubits, og den bruges til at løse visse hårde optimeringsproblemer og til effektiv prøvetagning. På den anden side, universelle (også kaldet gate-baserede) kvantecomputere er sværere at skalere op, men de er i stand til at udføre vilkårlige enhedsoperationer på qubits ved hjælp af sekvenser af kvantelogiske porte. Dette ligner, hvordan digitale computere kan udføre vilkårlige logiske operationer på klassiske bits.

Imidlertid, de adresserer det faktum, at styring af et kvantesystem er meget komplekst, og at analysere klassiske data med kvanteressourcer er ikke så ligetil, som man måske tror, hovedsageligt på grund af udfordringen med at bygge kvantegrænsefladeenheder, der gør det muligt at indkodse klassisk information til en kvantemekanisk form. Vanskeligheder, f.eks. "input" eller "output" problemer synes at være den store tekniske udfordring, der skal løses.

Det endelige mål er at finde den mest optimerede metode, der er i stand til at læse, forstå og opnå de bedste resultater af et datasæt, det være sig klassisk eller kvante. Quantum machine learning har bestemt til formål at revolutionere computervidenskabsområdet, ikke kun fordi det vil være i stand til at styre kvantecomputere, fremskynde informationsbehandlingshastighederne langt ud over de nuværende klassiske hastigheder, men også fordi den er i stand til at udføre innovative funktioner, sådan kvante dyb læring, der ikke kun kunne genkende kontra-intuitive mønstre i data, usynlig for både klassisk maskinlæring og for det menneskelige øje, men også gengive dem.

Som Peter Wittek endelig siger, "At skrive dette papir var en ganske udfordring:vi havde et udvalg bestående af seks medforfattere med forskellige ideer om, hvad feltet er, hvor det er nu, og hvor det går hen. Vi omskrev papiret fra bunden tre gange. Den endelige version kunne ikke have været afsluttet uden dedikeret fra vores redaktør, til hvem vi er skyldige. "