Sadece kuantum mekaniğinin, makine öğrenmesi yoluyla klasik verilerin analizi için ne kadar faydalı olabileceği konusundaki soruya cevap vereceğim. Ayrıca "kuantum AI" ile ilgili işler de var, ancak bu benim içine girmek istemediğim çok daha spekülatif (ve daha az tanımlanmış) bir şey.
Öyleyse, kuantum bilgisayarlar, makine öğrenmesi algoritmalarıyla veri analizini hızlandırmak için kullanılabilir mi? Scott Aaronson'un Alıntı Yapma İnce baskı kağıdını okuyun , bu karmaşık bir cevabı olan basit bir soru .
Her şeyden önce sorunun bu tür cevap çalışmakla araştırma alanı ne büyük bir parçası olduğunu belirtmek gerekir Kuantum Makine Öğrenmesi hakkında (daha yakın zamanlarda, terimler kuantum artırılmış makine öğrenme veya kuantum destekli makine öğrenme tercih gibi görünüyor QM ve ML'nin birleşmesine atıfta bulunmak, QM'deki problemlerin çözülmesine yardımcı olmak için onu ML kullanımından ayırt etmek). Vikipedi sayfasından görebileceğiniz gibi, alanda birçok şey var ve burada hızlı bir şekilde eskimiş olacağı için, burada kapsamlı bir makale listesi denemek ve vermek anlamsız olacaktır.
Alıntı Schuld ve diğ. 2014 , Kuantum Destekli Makine Öğrenimi'nin (QAML) arkasındaki fikir şudur:
Global olarak depolanan verilerin hacmi her yıl yaklaşık% 20 arttığından (şu anda birkaç yüz exabyte [1] arasında değişmektedir), makine öğrenmeye yenilikçi yaklaşımlar bulma baskısı artmaktadır. Akademi tarafından ve önde gelen BT şirketlerinin araştırma laboratuvarlarında araştırılan umut verici bir fikir, klasik makine öğrenme algoritmalarını optimize etmek için kuantum hesaplama potansiyelinden yararlanmaktadır.
Sorunuza geri dönersek, Harrow ve ark. Veriler kuantum hallerinde depolandığında çalışan doğrusal denklem sistemini (sistem üzerinde bir takım koşullar altında) tersine çevirmek için etkin bir kuantum algoritması vermiş olan 2009 . Bu temel bir lineer cebir operasyonu olan keşif, aynı yazarların bazılarının ( 1307.0401 , 1307.0411 , 1307.0471 ) ve aynı zamanda diğerleri tarafından makine öğrenme problemlerini çözmek için önerilen birçok kuantum algoritmaya yol açtı . Eğer gibi referansların daha kapsamlı listelerini almak için bir göz olabilir şimdi birçok değerlendirme vardır 1409.3097 , 1512,02900 , 1611,09347 ,1707.08561 , 1708.09757 , Peter Wittek'in kitabı ve muhtemelen daha fazlası.
Bununla birlikte, bunun pratikte nasıl çalışacağı belli olmaktan uzak. Nedenlerden bazıları Aaronson'un makalesinde iyi açıklanmıştır: İyi baskıyı okuyun (ayrıca yayınlanan versiyona bakınız: nphys3272 ). Çok kabaca konuşursak, problem kuantum algoritmalarının genellikle kuantum hallerinde depolandığı gibi "verileri" ele alması, genellikle vektörleri durumun genliklerine kodlamasıdır. Bu, örneğin, QFT için durumdur ve hala HHL09 ve türetilmiş işler için geçerlidir .
Bununla ilgili büyük sorun (ya da büyük sorunlardan biri), "büyük" klasik verileri işleme için bu kuantum durumuna nasıl verimli bir şekilde yükleyebileceğinizden çok uzak olmasıdır. Bunun tipik cevabı "sadece bir qRAM kullanmak zorundayız " dır , fakat bu aynı zamanda birçok uyarıyla da gelir, çünkü bu işlem şimdi veriler elde edildiğinde elde edeceğimiz üssel hızı arttırmak için çok hızlı olmak zorundadır. kuantum formu. Uyarılarla ilgili daha fazla bilgi için tekrar Aaronson'un makalesine bakın .