Методы машинного обучения используют математические алгоритмы и инструменты для поиска закономерностей в данных. Эти методы стали мощными инструментами для множества различных приложений, которые могут варьироваться от биомедицинских применений, таких как разведка рака, в генетике и геномике, в мониторинге и диагностике аутизма и даже в пластической хирургии, до чистой прикладной физики для изучения природы материалов. материя или даже сложные квантовые системы.
Машинное обучение способно адаптироваться и изменяться под воздействием нового набора данных, оно может определять закономерности, часто превосходящие по точности людей. Хотя машинное обучение является мощным инструментом, определенные области приложений остаются недоступными из-за сложности или других аспектов, которые исключают использование прогнозов, предоставляемых алгоритмами обучения.
Таким образом, в последние годы квантовое машинное обучение стало предметом интереса из-за огромного потенциала в качестве возможного решения этих неразрешимых проблем, и квантовые компьютеры оказались правильным инструментом для его решения.В недавнем исследовании, опубликованном в Nature, международная группа исследователей, объединившая Джейкоба Биамонте из Сколтеха / IQC, Питера Виттека из ICFO, Никола Панкотти из MPQ, Патрика Ребентроста из Массачусетского технологического института, Натана Вибе из Microsoft Research и Сета Ллойда из Массачусетского технологического института, рассмотрел фактическое состояние классического машинного обучения и квантового машинного обучения. В своем обзоре они подробно рассмотрели различные сценарии, связанные с классическим и квантовым машинным обучением. В своем исследовании они рассмотрели различные возможные комбинации: традиционный метод использования классического машинного обучения для анализа классических данных, использование квантового машинного обучения для анализа как классических, так и квантовых данных и, наконец, использование классического машинного обучения для анализа квантовых данных.
Во-первых, они намеревались дать подробное представление о статусе текущих контролируемых и неконтролируемых протоколов обучения в классическом машинном обучении, указав все применяемые методы. Они вводят квантовое машинное обучение и предоставляют обширный подход к тому, как эту технику можно использовать для анализа как классических, так и квантовых данных, подчеркивая, что квантовые машины могут ускорить обработку временных масштабов благодаря использованию квантовых отжигателей и универсальных квантовых компьютеров. Технология квантового отжига имеет лучшую масштабируемость, но более ограниченные варианты использования.
Например, последняя версия сверхпроводящего чипа D-Wave объединяет две тысячи кубитов и используется для решения некоторых сложных задач оптимизации и для эффективной выборки. С другой стороны, универсальные (также называемые вентильными) квантовые компьютеры сложнее масштабировать, но они могут выполнять произвольные унитарные операции с кубитами с помощью последовательностей квантовых логических вентилей. Это похоже на то, как цифровые компьютеры могут выполнять произвольные логические операции с классическими битами.Однако они обращаются к тому факту, что управление квантовой системой очень сложно, а анализ классических данных с помощью квантовых ресурсов не так прост, как можно подумать, в основном из-за проблемы создания устройств квантового интерфейса, которые позволяют кодировать классическую информацию в квантовую форму. механическая форма.
Такие трудности, как «входные» или «выходные» проблемы, по-видимому, являются основной технической проблемой, которую необходимо преодолеть.Конечная цель — найти наиболее оптимизированный метод, способный читать, понимать и получать наилучшие результаты для набора данных, будь то классический или квантовый. Квантовое машинное обучение определенно нацелено на революцию в области компьютерных наук не только потому, что оно сможет управлять квантовыми компьютерами, увеличивать скорость обработки информации намного выше нынешних классических скоростей, но также потому, что оно способно выполнять инновационные функции. такое квантовое глубокое обучение, которое может не только распознавать противоречащие интуиции закономерности в данных, невидимые как для классического машинного обучения, так и для человеческого глаза, но и воспроизводить их.Как в конце концов заявляет Питер Виттек: «Написание этой статьи было довольно сложной задачей: у нас был комитет из шести соавторов с разными идеями о том, что это за область, где она сейчас и куда идет.
Мы переписали статью с нуля. трижды. Окончательная версия не могла бы быть завершена без преданности делу нашего редактора, которому мы в долгу ".