Apprendimento automatico quantistico - Quantum machine learning

Parte di una serie di articoli su
Meccanica quantistica
${\displaystyle i\hbar {\frac {\partial }{\partial t}}|\psi (t)\rangle ={\hat {H}}|\psi (t)\rangle}$ Equazione di Schrödinger
introduzione Glossario Storia
Sfondo Meccanica classica Vecchia teoria quantistica Notazione tra parentesi Hamiltoniano interferenza
Fondamenti Complementarità decoerenza intreccio Livello di energia Misura Non località Numero quantico Stato sovrapposizione Simmetria Tunneling Incertezza Funzione d'onda  ( collasso )
esperimenti disuguaglianza di Bell Davisson–Germer Doppia fessura Elitzur–Vidman Franck–Hertz Disuguaglianza di Leggett-Garg Mach–Zehnder popper Gomma quantica  ( scelta ritardata ) Il gatto di Schrödinger Stern–Gerlach La scelta ritardata di Wheeler
formulazioni Panoramica Heisenberg Interazione Matrice Spazio delle fasi Schrödinger Sum-over-histories (integrale del percorso)
Equazioni Dirac Klein–Gordon Pauli Rydberg Schrödinger
Interpretazioni Panoramica bayesiano Storie coerenti Copenaghen de Broglie–Bohm Ensemble variabile-nascosta Molti mondi Collasso oggettivo Logica quantistica relazionale Transazionale
Argomenti avanzati Meccanica quantistica relativistica Teoria quantistica dei campi Scienza dell'informazione quantistica Calcolo quantistico Caos quantistico Matrice di densità Teoria della dispersione Meccanica statistica quantistica Apprendimento automatico quantistico
Scienziati Aharonov campana Blackett Bloch Bohm bohr Nato Bose de Broglie Candlin Compton Dirac Davisson Debye Ehrenfest Einstein Everett cazzo Fermi Feynman Glauber Gutzwiller Heisenberg Hilbert Giordania Kramers Pauli agnello Landò Laue Moseley Millikan Onnes Planck Rabi Raman Rydberg Schrödinger Sommerfeld von Neumann Weyl Vienna Wigner Zeeman Zeilinger
v T e

L'apprendimento automatico quantistico è l'integrazione di algoritmi quantistici all'interno di programmi di apprendimento automatico . L'uso più comune del termine si riferisce ad algoritmi di machine learning per l'analisi di dati classici eseguiti su un computer quantistico , ovvero machine learning quantistico . Mentre gli algoritmi di apprendimento automatico vengono utilizzati per calcolare immense quantità di dati, l'apprendimento automatico quantistico utilizza qubit e operazioni quantistiche o sistemi quantistici specializzati per migliorare la velocità di calcolo e l'archiviazione dei dati eseguita dagli algoritmi in un programma. Ciò include metodi ibridi che coinvolgono sia l'elaborazione classica che quantistica, in cui le subroutine computazionalmente difficili vengono esternalizzate a un dispositivo quantistico. Queste routine possono essere di natura più complessa ed essere eseguite più velocemente su un computer quantistico. Inoltre, gli algoritmi quantistici possono essere utilizzati per analizzare gli stati quantistici invece dei dati classici. Oltre al calcolo quantistico, il termine "apprendimento automatico quantistico" è anche associato ai classici metodi di apprendimento automatico applicati ai dati generati da esperimenti quantistici (cioè apprendimento automatico di sistemi quantistici ), come l'apprendimento delle transizioni di fase di un sistema quantistico o la creazione di nuovi esperimenti quantistici . L'apprendimento automatico quantistico si estende anche a un ramo di ricerca che esplora le somiglianze metodologiche e strutturali tra alcuni sistemi fisici e sistemi di apprendimento, in particolare le reti neurali. Ad esempio, alcune tecniche matematiche e numeriche della fisica quantistica sono applicabili al deep learning classico e viceversa. Inoltre, i ricercatori studiano nozioni più astratte della teoria dell'apprendimento rispetto all'informazione quantistica, a volte indicata come "teoria dell'apprendimento quantistico".

Quattro diversi approcci per combinare le discipline dell'informatica quantistica e dell'apprendimento automatico. La prima lettera indica se il sistema in studio è classico o quantistico, mentre la seconda lettera definisce se viene utilizzato un dispositivo di elaborazione delle informazioni classico o quantistico.

Apprendimento automatico con i computer quantistici

L'apprendimento automatico quantistico si riferisce ad algoritmi quantistici che risolvono compiti nell'apprendimento automatico, migliorando e spesso accelerando le tecniche classiche di apprendimento automatico. Tali algoritmi richiedono in genere di codificare il dato set di dati classico in un computer quantistico per renderlo accessibile per l'elaborazione delle informazioni quantistiche. Successivamente, vengono applicate routine di elaborazione delle informazioni quantistiche e il risultato del calcolo quantistico viene letto misurando il sistema quantistico. Ad esempio, il risultato della misurazione di un qubit rivela il risultato di un'attività di classificazione binaria. Mentre molte proposte di algoritmi di apprendimento automatico quantistico sono ancora puramente teoriche e richiedono il test di un computer quantistico universale su vasta scala , altre sono state implementate su dispositivi quantistici su piccola scala o per scopi speciali.

Simulazione di algebra lineare con ampiezze quantistiche

Un certo numero di algoritmi quantistici per l'apprendimento automatico si basano sull'idea della codifica dell'ampiezza , ovvero associare le ampiezze di uno stato quantistico agli input e agli output dei calcoli. Poiché uno stato di qubit è descritto da ampiezze complesse, questa codifica delle informazioni può consentire una rappresentazione esponenzialmente compatta. Intuitivamente, ciò corrisponde ad associare una distribuzione di probabilità discreta su variabili casuali binarie con un vettore classico. L'obiettivo degli algoritmi basati sulla codifica dell'ampiezza è formulare algoritmi quantistici le cui risorse crescono polinomialmente nel numero di qubit , il che equivale a una crescita logaritmica del numero di ampiezze e quindi della dimensione dell'input. ${\displaystyle n}$${\displaystyle 2^{n}}$${\displaystyle n}$

Molti algoritmi di machine learning quantistico in questa categoria si basano su variazioni dell'algoritmo quantistico per sistemi di equazioni lineari (colloquialmente chiamato HHL, dagli autori dell'articolo) che, in condizioni specifiche, esegue un'inversione di matrice utilizzando una quantità di risorse fisiche che cresce solo in modo logaritmico nelle dimensioni della matrice. Una di queste condizioni è che un'Hamiltoniana che corrisponde all'ingresso della matrice può essere simulata in modo efficiente, il che è noto per essere possibile se la matrice è sparsa o di basso rango. Per riferimento, qualsiasi algoritmo classico noto per l' inversione di matrice richiede un numero di operazioni che cresce almeno quadraticamente nella dimensione della matrice , ma non sono limitate a matrici sparse.

L'inversione della matrice quantistica può essere applicata ai metodi di apprendimento automatico in cui l'addestramento si riduce alla risoluzione di un sistema lineare di equazioni , ad esempio nella regressione lineare dei minimi quadrati, nella versione dei minimi quadrati delle macchine con vettori di supporto e nei processi gaussiani.

Un collo di bottiglia cruciale dei metodi che simulano i calcoli di algebra lineare con le ampiezze degli stati quantistici è la preparazione dello stato, che spesso richiede l'inizializzazione di un sistema quantistico in uno stato le cui ampiezze riflettono le caratteristiche dell'intero set di dati. Sebbene siano noti metodi efficienti per la preparazione dello stato per casi specifici, questo passaggio nasconde facilmente la complessità del compito.

Algoritmi di apprendimento automatico quantistico basati sulla ricerca di Grover

Un altro approccio per migliorare l'apprendimento automatico classico con l'elaborazione delle informazioni quantistiche utilizza metodi di amplificazione dell'ampiezza basati sull'algoritmo di ricerca di Grover , che ha dimostrato di risolvere problemi di ricerca non strutturati con un'accelerazione quadratica rispetto agli algoritmi classici. Queste routine quantistiche possono essere impiegate per l'apprendimento di algoritmi che si traducono in un compito di ricerca non strutturato, come può essere fatto, ad esempio, nel caso degli algoritmi k-mediane e k-vicini più vicini . Un'altra applicazione è un'accelerazione quadratica nell'addestramento del perceptron .

Un esempio di amplificazione dell'ampiezza utilizzata in un algoritmo di apprendimento automatico è la minimizzazione dell'algoritmo di ricerca di Grover. In cui una subroutine utilizza l'algoritmo di ricerca di Grover per trovare un elemento inferiore a un elemento precedentemente definito. Questo può essere fatto con un oracolo che determina se uno stato con un elemento corrispondente è inferiore a quello predefinito. L'algoritmo di Grover può quindi trovare un elemento tale che la nostra condizione sia soddisfatta. La minimizzazione è inizializzata da qualche elemento casuale nel nostro insieme di dati, e iterativamente fa questa subroutine per trovare l'elemento minimo nel nostro insieme di dati. Questa minimizzazione è particolarmente utilizzata nelle k-mediane quantistiche e ha un'accelerazione almeno rispetto alle versioni classiche delle k-mediane, dove è il numero di punti dati ed è il numero di cluster. ${\displaystyle O({\sqrt {n/k}})}$${\displaystyle n}$${\displaystyle k}$

L'amplificazione dell'ampiezza è spesso combinata con le passeggiate quantistiche per ottenere la stessa velocità quadratica. Le passeggiate quantistiche sono state proposte per migliorare l'algoritmo PageRank di Google e le prestazioni degli agenti di apprendimento per rinforzo nel quadro della simulazione proiettiva.

Apprendimento per rinforzo quantistico

L'apprendimento per rinforzo è un ramo dell'apprendimento automatico distinto dall'apprendimento supervisionato e non supervisionato, che ammette anche miglioramenti quantistici. Nell'apprendimento per rinforzo quantistico, un agente quantistico interagisce con un ambiente classico o quantistico e occasionalmente riceve ricompense per le sue azioni, il che consente all'agente di adattare il proprio comportamento, in altre parole, di imparare cosa fare per ottenere più ricompense. In alcune situazioni, sia per la capacità di elaborazione quantistica dell'agente, sia per la possibilità di sondare l'ambiente in sovrapposizioni , si può ottenere un'accelerazione quantistica. Implementazioni di questo tipo di protocolli sono state proposte per sistemi di ioni intrappolati e circuiti superconduttori. Un'accelerazione quantistica del tempo decisionale interno dell'agente è stata dimostrata sperimentalmente negli ioni intrappolati, mentre un'accelerazione quantistica del tempo di apprendimento in un'interazione ("quantica") completamente coerente tra agente e ambiente è stata realizzata sperimentalmente in una configurazione fotonica.

Ricottura quantistica

La ricottura quantistica è una tecnica di ottimizzazione utilizzata per determinare i minimi e i massimi locali di una funzione su un dato insieme di funzioni candidate. Questo è un metodo per discretizzare una funzione con molti minimi o massimi locali al fine di determinare gli osservabili della funzione. Il processo può essere distinto dalla ricottura simulata dal processo di tunneling quantistico , mediante il quale le particelle attraversano barriere cinetiche o potenziali da uno stato alto a uno stato basso. La ricottura quantistica parte da una sovrapposizione di tutti i possibili stati di un sistema, pesati ugualmente. Quindi l'equazione di Schrödinger dipendente dal tempo guida l'evoluzione temporale del sistema, servendo per influenzare l'ampiezza di ogni stato all'aumentare del tempo. Alla fine, lo stato fondamentale può essere raggiunto per produrre l'Hamiltoniana istantanea del sistema. .

Tecniche di campionamento quantistico

Il campionamento da distribuzioni di probabilità ad alta dimensionalità è al centro di un ampio spettro di tecniche computazionali con importanti applicazioni in scienza, ingegneria e società. Gli esempi includono deep learning , programmazione probabilistica e altre applicazioni di machine learning e intelligenza artificiale.

Un problema computazionalmente difficile, che è fondamentale per alcune attività di apprendimento automatico rilevanti, è la stima delle medie sui modelli probabilistici definiti in termini di una distribuzione di Boltzmann . Il campionamento da modelli probabilistici generici è difficile: ci si aspetta che gli algoritmi che fanno molto affidamento sul campionamento rimangano intrattabili, indipendentemente da quanto grandi e potenti diventino le risorse di calcolo classiche. Anche se i ricottori quantistici , come quelli prodotti da D-Wave Systems, sono stati progettati per sfidare problemi di ottimizzazione combinatoria, è stato recentemente riconosciuto come un potenziale candidato per accelerare i calcoli che si basano sul campionamento sfruttando gli effetti quantistici.

Alcuni gruppi di ricerca hanno recentemente esplorato l'uso dell'hardware di ricottura quantistica per l'addestramento delle macchine Boltzmann e delle reti neurali profonde . L'approccio standard all'addestramento delle macchine di Boltzmann si basa sul calcolo di determinate medie che possono essere stimate mediante tecniche di campionamento standard , come gli algoritmi Monte Carlo della catena di Markov . Un'altra possibilità è affidarsi a un processo fisico, come la ricottura quantistica, che genera naturalmente campioni da una distribuzione di Boltzmann. L'obiettivo è trovare i parametri di controllo ottimali che meglio rappresentino la distribuzione empirica di un dato set di dati.

Il sistema D-Wave 2X ospitato presso il NASA Ames Research Center è stato recentemente utilizzato per l'apprendimento di una classe speciale di macchine Boltzmann limitate che possono fungere da elemento costitutivo per architetture di deep learning. Il lavoro complementare apparso all'incirca simultaneamente ha mostrato che la ricottura quantistica può essere utilizzata per l'apprendimento supervisionato nei compiti di classificazione. Lo stesso dispositivo è stato successivamente utilizzato per addestrare una macchina Boltzmann completamente connessa per generare, ricostruire e classificare cifre scritte a mano a bassa risoluzione e ridimensionate, tra gli altri set di dati sintetici. In entrambi i casi, i modelli addestrati dalla ricottura quantistica hanno avuto prestazioni simili o migliori in termini di qualità. L'ultima domanda che guida questo sforzo è se ci sia un'accelerazione quantistica nelle applicazioni di campionamento. L'esperienza con l'uso di ricottori quantistici per l'ottimizzazione combinatoria suggerisce che la risposta non è semplice. La ricottura inversa è stata utilizzata anche per risolvere una macchina di Boltzmann con restrizioni quantistiche completamente connessa.

Ispirato dal successo delle macchine di Boltzmann basate sulla classica distribuzione di Boltzmann, è stato recentemente proposto un nuovo approccio di apprendimento automatico basato sulla distribuzione quantistica di Boltzmann di un hamiltoniano di Ising a campo trasversale. A causa della natura non commutativa della meccanica quantistica, il processo di addestramento della macchina quantistica di Boltzmann può diventare non banale. Questo problema è stato, in una certa misura, aggirato introducendo limiti alle probabilità quantistiche, consentendo agli autori di addestrare il modello in modo efficiente mediante campionamento. È possibile che un tipo specifico di macchina quantistica Boltzmann sia stato addestrato nel D-Wave 2X utilizzando una regola di apprendimento analoga a quella delle macchine Boltzmann classiche.

La ricottura quantistica non è l'unica tecnologia per il campionamento. In uno scenario di preparazione e misurazione, un computer quantistico universale prepara uno stato termico, che viene quindi campionato mediante misurazioni. Ciò può ridurre il tempo necessario per addestrare una macchina Boltzmann con limitazioni profonde e fornire un quadro più ricco e completo per l'apprendimento profondo rispetto al calcolo classico. Gli stessi metodi quantistici consentono anche un addestramento efficiente di macchine Boltzmann complete e modelli multistrato completamente connessi e non hanno controparti classiche ben note. Basandosi su un efficiente protocollo di preparazione dello stato termico a partire da uno stato arbitrario, le reti logiche Markov quantistiche sfruttano le simmetrie e la struttura di località del modello grafico probabilistico generato da un modello logico del primo ordine . Ciò fornisce una riduzione esponenziale della complessità computazionale nell'inferenza probabilistica e, mentre il protocollo si basa su un computer quantistico universale, in ipotesi blande può essere incorporato nell'hardware di ricottura quantistica contemporaneo.

Reti neurali quantistiche

Gli analoghi quantistici o le generalizzazioni delle reti neurali classiche sono spesso indicati come reti neurali quantistiche . Il termine è rivendicato da un'ampia gamma di approcci, tra cui l'implementazione e l'estensione di reti neurali che utilizzano fotoni, circuiti variazionali stratificati o modelli quantistici di tipo Ising. Le reti neurali quantistiche sono spesso definite come un'espansione del modello di Deutsch di una rete computazionale quantistica. All'interno di questo modello, vengono utilizzate porte non lineari e irreversibili, dissimili dall'operatore hamiltoniano, per speculare il dato set di dati. Tali porte rendono inosservabili determinate fasi e generano oscillazioni specifiche. Le reti neurali quantistiche applicano le principali informazioni quantistiche e calcolo quantistico al neurocomputing classico. La ricerca attuale mostra che QNN può aumentare esponenzialmente la quantità di potenza di calcolo e i gradi di libertà per un computer, che è limitato per un computer classico alle sue dimensioni. Una rete neurale quantistica ha capacità computazionali per ridurre il numero di passaggi, qubit utilizzati e tempo di calcolo. La funzione d'onda per la meccanica quantistica è il neurone per le reti neurali. Per testare le applicazioni quantistiche in una rete neurale, le molecole di punti quantici vengono depositate su un substrato di GaAs o simili per registrare come comunicano tra loro. Ogni punto quantico può essere definito un'isola di attività elettrica e quando tali punti sono abbastanza vicini (circa 10±20 nm) gli elettroni possono scavare un tunnel al di sotto delle isole. Una distribuzione uniforme attraverso il substrato in gruppi di due crea dipoli e in definitiva due stati di spin, su o giù. Questi stati sono comunemente noti come qubit con stati corrispondenti di e nella notazione di Dirac. ${\displaystyle |0\rangle}$${\displaystyle |1\rangle}$

Modelli Quantum Markov nascosti

Gli Hidden Quantum Markov Models (HQMM) sono una versione quantistica avanzata dei classici Hidden Markov Models (HMM), che vengono generalmente utilizzati per modellare dati sequenziali in vari campi come la robotica e l'elaborazione del linguaggio naturale . A differenza dell'approccio adottato da altri algoritmi di apprendimento automatico potenziati dalla quantistica, gli HQMM possono essere visti come modelli ispirati alla meccanica quantistica che possono essere eseguiti anche su computer classici. Laddove gli HMM classici utilizzano vettori di probabilità per rappresentare stati di "credenza" nascosti, gli HQMM utilizzano l'analogo quantistico: matrici di densità . Lavori recenti hanno dimostrato che questi modelli possono essere appresi con successo massimizzando la verosimiglianza logaritmica dei dati forniti tramite l'ottimizzazione classica, e ci sono alcune prove empiriche che questi modelli possono modellare meglio i dati sequenziali rispetto ai classici HMM in pratica, sebbene ulteriore lavoro sia necessario per determinare esattamente quando e come si ottengono questi benefici. Inoltre, poiché gli HMM classici sono un tipo particolare di rete di Bayes , un aspetto interessante degli HQMM è che le tecniche utilizzate mostrano come possiamo eseguire l'inferenza bayesiana quantistica analoga , che dovrebbe consentire la costruzione generale delle versioni quantistiche dei modelli grafici probabilistici .

Machine learning completamente quantistico

Nel caso più generale dell'apprendimento automatico quantistico, sia il dispositivo di apprendimento che il sistema oggetto di studio, nonché la loro interazione, sono completamente quantistici. Questa sezione fornisce alcuni esempi di risultati su questo argomento.

Una classe di problemi che può trarre vantaggio dall'approccio completamente quantistico è quella di "apprendere" stati quantistici, processi o misurazioni sconosciuti, nel senso che è possibile riprodurli successivamente su un altro sistema quantistico. Ad esempio, si potrebbe desiderare di apprendere una misura che discrimini tra due stati coerenti, data non una descrizione classica degli stati da discriminare, ma invece un insieme di sistemi quantistici di esempio preparati in questi stati. L'approccio ingenuo sarebbe quello di estrarre prima una descrizione classica degli stati e poi implementare una misurazione discriminante ideale basata su queste informazioni. Ciò richiederebbe solo l'apprendimento classico. Tuttavia, si può dimostrare che un approccio completamente quantistico è strettamente superiore in questo caso. (Ciò si riferisce anche al lavoro sul pattern matching quantistico.) Il problema dell'apprendimento delle trasformazioni unitarie può essere affrontato in modo simile.

Andando oltre il problema specifico dell'apprendimento di stati e trasformazioni, il compito del clustering ammette anche una versione completamente quantistica, in cui sia l'oracolo che restituisce la distanza tra i punti dati sia il dispositivo di elaborazione delle informazioni che esegue l'algoritmo sono quantistici. Infine, è stato introdotto un quadro generale che abbraccia l'apprendimento supervisionato, non supervisionato e per rinforzo nell'impostazione completamente quantistica, in cui è stato anche dimostrato che la possibilità di sondare l'ambiente nelle sovrapposizioni consente un'accelerazione quantistica nell'apprendimento per rinforzo. Tale accelerazione nel paradigma dell'apprendimento per rinforzo è stata dimostrata sperimentalmente in un setup fotonico.

Apprendimento classico applicato a problemi quantistici

Il termine "apprendimento automatico quantistico" a volte si riferisce all'apprendimento automatico classico eseguito su dati provenienti da sistemi quantistici. Un esempio di base di ciò è la tomografia a stato quantistico , in cui uno stato quantistico viene appreso dalla misurazione. Altre applicazioni includono l'apprendimento delle Hamiltoniane e la generazione automatica di esperimenti quantistici.

Teoria dell'apprendimento quantistico

La teoria dell'apprendimento quantistico persegue un'analisi matematica delle generalizzazioni quantistiche dei modelli di apprendimento classici e delle possibili accelerazioni o altri miglioramenti che possono fornire. La struttura è molto simile a quella della teoria dell'apprendimento computazionale classica , ma lo studente in questo caso è un dispositivo di elaborazione dell'informazione quantistica, mentre i dati possono essere classici o quantistici. La teoria dell'apprendimento quantistico dovrebbe essere contrapposta all'apprendimento automatico potenziato dai quanti discusso sopra, in cui l'obiettivo era considerare problemi specifici e utilizzare protocolli quantistici per migliorare la complessità temporale degli algoritmi classici per questi problemi. Sebbene la teoria dell'apprendimento quantistico sia ancora in fase di sviluppo, sono stati ottenuti risultati parziali in questa direzione.

Il punto di partenza nella teoria dell'apprendimento è tipicamente una classe di concetti, un insieme di concetti possibili. Di solito un concetto è una funzione su un dominio, come . Ad esempio, la classe concettuale potrebbe essere l'insieme di formule disgiuntive in forma normale (DNF) su n bit o l'insieme di circuiti booleani di una certa profondità costante. L'obiettivo per lo studente è imparare (esattamente o approssimativamente) un concetto di destinazione sconosciuto da questa classe di concetti. Lo studente può interagire attivamente con il concetto di destinazione o riceverne passivamente dei campioni. ${\displaystyle \{0,1\}^{n}}$

Nell'apprendimento attivo, uno studente può fare domande di appartenenza al concetto di destinazione c , chiedendo il suo valore c(x) sugli input x scelti dallo studente. Lo studente deve quindi ricostruire l'esatto concetto di destinazione, con alta probabilità. Nel modello dell'apprendimento esatto quantistico , lo studente può effettuare query di appartenenza in sovrapposizione quantistica. Se la complessità dello studente è misurata dal numero di query di appartenenza che effettua, allora gli studenti quantistici esatti possono essere polinomialmente più efficienti degli studenti classici per alcune classi concettuali, ma non di più. Se la complessità è misurata dalla quantità di tempo utilizzata dallo studente, allora ci sono classi concettuali che possono essere apprese in modo efficiente da studenti quantistici ma non da studenti classici (sotto plausibili ipotesi teoriche della complessità).

Un modello naturale di apprendimento passivo è l'apprendimento probabilmente approssimativamente corretto (PAC) di Valiant . Qui lo studente riceve esempi casuali (x,c(x)) , dove x è distribuito secondo una distribuzione sconosciuta D . L'obiettivo dello studente è produrre una funzione di ipotesi h tale che h(x)=c(x) con alta probabilità quando x viene disegnato secondo D . Lo studente deve essere in grado di produrre un h "approssimativamente corretto" per ogni D e ogni concetto target c nella sua classe di concetti. Possiamo considerare di sostituire gli esempi casuali con esempi quantistici potenzialmente più potenti . Nel modello PAC (e nel relativo modello agnostico), ciò non riduce significativamente il numero di esempi necessari: per ogni classe concettuale, la complessità del campione classico e quantistico è la stessa fino a fattori costanti. Tuttavia, per l'apprendimento in una distribuzione fissa D , gli esempi quantistici possono essere molto utili, ad esempio per l'apprendimento di DNF in una distribuzione uniforme. Quando si considera la complessità temporale , esistono classi concettuali che possono essere apprese in modo efficiente dal PAC da studenti quantistici, anche da esempi classici, ma non da studenti classici (di nuovo, sotto ipotesi plausibili della teoria della complessità). ${\displaystyle \sum _{x}{\sqrt {D(x)}}|x,c(x)\rangle }$

Questo tipo di apprendimento passivo è anche lo schema più comune nell'apprendimento supervisionato: un algoritmo di apprendimento in genere prende gli esempi di addestramento fissi, senza la possibilità di interrogare l'etichetta degli esempi non etichettati. L'output di un'ipotesi h è un passo di induzione. Classicamente, un modello induttivo si divide in una fase di addestramento e una di applicazione: i parametri del modello sono stimati nella fase di addestramento e il modello appreso viene applicato molte volte arbitrariamente nella fase di applicazione. Nel limite asintotico del numero di applicazioni, questo frazionamento di fasi è presente anche con le risorse quantistiche.

Implementazioni ed esperimenti

I primi esperimenti sono stati condotti utilizzando il computer quantistico adiabatico D-Wave , ad esempio, per rilevare le auto nelle immagini digitali utilizzando il potenziamento regolarizzato con una funzione obiettivo non convessa in una dimostrazione nel 2009. Molti esperimenti sono seguiti sulla stessa architettura e le aziende tecnologiche leader hanno mostrato interesse per il potenziale dell'apprendimento automatico quantistico per future implementazioni tecnologiche. Nel 2013, Google Research, la NASA e l' Universities Space Research Association hanno lanciato il Quantum Artificial Intelligence Lab che esplora l'uso del computer quantistico adiabatico D-Wave. Un esempio più recente ha addestrato modelli generativi probabilistici con connettività a coppie arbitraria, dimostrando che il loro modello è in grado di generare cifre scritte a mano e ricostruire immagini rumorose di barre e strisce e cifre scritte a mano.

Utilizzando una diversa tecnologia di ricottura basata sulla risonanza magnetica nucleare (NMR), nel 2009 è stata implementata una rete quantistica Hopfield che ha mappato i dati di input e i dati memorizzati alle Hamiltoniane, consentendo l'uso del calcolo quantistico adiabatico. La tecnologia NMR consente anche il calcolo quantistico universale ed è stata utilizzata per la prima implementazione sperimentale di una macchina vettoriale di supporto quantistico per distinguere il numero scritto a mano "6" e "9" su un computer quantistico a stato liquido nel 2015. I dati di addestramento hanno coinvolto il pre-elaborazione dell'immagine che le mappa su vettori bidimensionali normalizzati per rappresentare le immagini come stati di un qubit. Le due voci del vettore sono il rapporto verticale e orizzontale dell'intensità dei pixel dell'immagine. Una volta definiti i vettori nello spazio delle caratteristiche , è stata implementata la macchina del vettore di supporto quantistico per classificare il vettore di input sconosciuto. La lettura evita la costosa tomografia quantistica leggendo lo stato finale in termini di direzione (su/giù) del segnale NMR.

Le implementazioni fotoniche stanno attirando più attenzione, anche perché non richiedono un raffreddamento esteso. Il riconoscimento simultaneo di cifre e parlanti e la previsione caotica di serie temporali sono stati dimostrati a velocità di trasmissione dati superiori a 1 gigabyte al secondo nel 2013. Utilizzando la fotonica non lineare per implementare un classificatore lineare completamente ottico, un modello perceptron è stato in grado di apprendere il confine di classificazione in modo iterativo dai dati di addestramento attraverso una regola di feedback. Un elemento fondamentale in molti algoritmi di apprendimento è calcolare la distanza tra due vettori: questo è stato dimostrato per la prima volta sperimentalmente fino a otto dimensioni utilizzando qubit entangled in un computer quantistico fotonico nel 2015.

Recentemente, sulla base di un approccio neuromimetico, è stato aggiunto un nuovo ingrediente al campo dell'apprendimento automatico quantistico, sotto forma di un cosiddetto memristor quantistico, un modello quantizzato del memristor classico standard . Questo dispositivo può essere costruito per mezzo di un resistore sintonizzabile, misurazioni deboli sul sistema e un classico meccanismo di feed-forward. È stata proposta un'implementazione di un memristor quantistico in circuiti superconduttori ed è stato eseguito un esperimento con punti quantici. Un memristor quantistico implementerebbe interazioni non lineari nella dinamica quantistica che aiuterebbe la ricerca di una rete neurale quantistica completamente funzionale .

Dal 2016, IBM ha lanciato una piattaforma online basata su cloud per sviluppatori di software quantistico, chiamata IBM Q Experience . Questa piattaforma è costituita da diversi processori quantistici completamente operativi accessibili tramite l'API Web IBM. In tal modo, l'azienda sta incoraggiando gli sviluppatori di software a perseguire nuovi algoritmi attraverso un ambiente di sviluppo con capacità quantistiche. Nuove architetture vengono esplorate su base sperimentale, fino a 32 qbit, utilizzando metodi di calcolo quantistico sia a ioni intrappolati che superconduttivi.

Nell'ottobre 2019, è stato notato che l'introduzione dei generatori di numeri casuali quantistici (QRNG) nei modelli di apprendimento automatico, tra cui le reti neurali e le reti neurali convoluzionali per la distribuzione casuale del peso iniziale e le foreste casuali per i processi di suddivisione, ha avuto un profondo effetto sulla loro capacità rispetto a il metodo classico dei generatori di numeri pseudocasuali (PRNG). Tuttavia, in una pubblicazione più recente del 2021, queste affermazioni non potevano essere riprodotte per l'inizializzazione del peso della rete neurale e non è stato trovato alcun vantaggio significativo nell'utilizzo dei QRNG rispetto ai PRNG. Il lavoro ha anche dimostrato che la generazione di numeri casuali equi con un computer quantistico gate è un compito non banale sui dispositivi NISQ e che i QRNG sono quindi in genere molto più difficili da utilizzare nella pratica rispetto ai PRNG.

Un articolo pubblicato nel dicembre 2018 riportava un esperimento che utilizzava un sistema di ioni intrappolati che dimostrava un'accelerazione quantistica del tempo di deliberazione degli agenti di apprendimento per rinforzo che impiegano hardware quantistico interno.

Nel marzo 2021, un team di ricercatori provenienti da Austria, Paesi Bassi, Stati Uniti e Germania ha riportato la dimostrazione sperimentale di un'accelerazione quantistica del tempo di apprendimento degli agenti di apprendimento per rinforzo che interagiscono in modo completamente quantistico con l'ambiente. I relativi gradi di libertà sia dell'agente che dell'ambiente sono stati realizzati su un processore nanofotonico integrato compatto e completamente sintonizzabile.

Scetticismo

Mentre l'apprendimento automatico stesso non è ora solo un campo di ricerca, ma un'industria economicamente significativa e in rapida crescita e l'informatica quantistica è un campo ben consolidato di ricerca sia teorica che sperimentale, l'apprendimento automatico quantistico rimane un campo di studi puramente teorico. I tentativi di dimostrare sperimentalmente concetti di apprendimento automatico quantistico rimangono insufficienti.

Molti dei principali scienziati che pubblicano ampiamente nel campo dell'apprendimento automatico quantistico mettono in guardia sul vasto clamore intorno all'argomento e sono molto contenuti se gli viene chiesto dei suoi usi pratici nel prossimo futuro. Sophia Chen ha raccolto alcune delle dichiarazioni rilasciate da noti scienziati nel campo:

• "Penso che non abbiamo ancora fatto i compiti. Questo è un campo scientifico estremamente nuovo", - la fisica Maria Schuld della startup di calcolo quantistico con sede in Canada Xanadu.
• "C'è molto più lavoro che deve essere fatto prima di affermare che l'apprendimento automatico quantistico funzionerà davvero", - lo scienziato informatico Iordanis Kerenidis, capo degli algoritmi quantistici presso la startup di calcolo quantistico con sede nella Silicon Valley QC Ware.
• "Non ho visto una sola prova dell'esistenza di un compito significativo [di apprendimento automatico] per il quale avrebbe senso utilizzare un computer quantistico e non un computer classico", - il fisico Ryan Sweke della Libera Università di Berlino in Germania .

"Non cadere per l'hype!" - Frank Zickert, che è l'autore del libro probabilmente più pratico relativo all'argomento, attenzione che "i computer quantistici sono lontani dall'avanzare l'apprendimento automatico per la loro capacità di rappresentazione", e persino parlando di valutazione e ottimizzazione per qualsiasi tipo di attività quantistica utile la supremazia non è ancora raggiunta. Inoltre, nessuno tra i ricercatori attivi nel campo fa previsioni su quando potrebbe diventare pratico.

Guarda anche

• Programmazione differenziabile
• Calcolo quantistico
• Algoritmo quantistico per sistemi lineari di equazioni
• Ricottura quantistica
• Rete neurale quantistica
• Immagine quantistica

Riferimenti