L'acquisizione del linguaggio nei bambini piccoli è apparentemente collegata alla loro capacità di individuare schemi. Nel loro processo di apprendimento, cercano modelli nel set di dati che li aiutino a identificare e ottimizzare le strutture grammaticali per acquisire correttamente la lingua. Allo stesso modo, i traduttori online utilizzano algoritmi attraverso tecniche di apprendimento automatico per ottimizzare i propri motori di traduzione e produrre risultati completi e comprensibili. Anche se molte traduzioni non avevano molto senso all'inizio, in questi anni abbiamo potuto vedere importanti miglioramenti grazie al machine learning.

Le tecniche di apprendimento automatico utilizzano algoritmi e strumenti matematici per cercare modelli nei dati. Queste tecniche sono diventate potenti strumenti per molte applicazioni diverse, che possono variare da usi biomedici come nella ricognizione del cancro, in genetica e genomica, nel monitoraggio e nella diagnosi dell'autismo e persino nella chirurgia plastica, alla pura fisica applicata, per lo studio della natura dei materiali, materia o anche sistemi quantistici complessi.

Capace di adattarsi e cambiare quando esposto a un nuovo set di dati, l'apprendimento automatico può identificare modelli, spesso superando gli umani in accuratezza. Sebbene l'apprendimento automatico sia uno strumento potente, alcuni domini applicativi rimangono fuori portata a causa della complessità o di altri aspetti che escludono l'uso delle previsioni fornite dagli algoritmi di apprendimento.

Così, negli ultimi anni, l'apprendimento automatico quantistico è diventato una questione di interesse a causa del suo vasto potenziale come possibile soluzione a queste sfide irrisolvibili e i computer quantistici dimostrano di essere lo strumento giusto per la sua soluzione.

In un recente studio, pubblicato in Natura , un team internazionale di ricercatori integrato da Jacob Biamonte di Skoltech/IQC, Peter Wittek dell'ICFO, Nicola Pancotti di MPQ, Patrick Rebentrost del MIT, Nathan Wiebe di Microsoft Research, e Seth Lloyd del MIT hanno esaminato lo stato attuale dell'apprendimento automatico classico e dell'apprendimento automatico quantistico. Nella loro recensione, hanno affrontato in modo approfondito diversi scenari che riguardano l'apprendimento automatico classico e quantistico. Nel loro studio, hanno considerato diverse possibili combinazioni:il metodo convenzionale di utilizzare l'apprendimento automatico classico per analizzare i dati classici, utilizzando l'apprendimento automatico quantistico per analizzare sia i dati classici che quelli quantistici, e infine, utilizzando l'apprendimento automatico classico per analizzare i dati quantistici.

in primo luogo, si proponevano di fornire una visione approfondita dello stato degli attuali protocolli di apprendimento supervisionato e non supervisionato nell'apprendimento automatico classico indicando tutti i metodi applicati. Introducono l'apprendimento automatico quantistico e forniscono un approccio estensivo su come questa tecnica potrebbe essere utilizzata per analizzare sia i dati classici che quelli quantistici, sottolineando che le macchine quantistiche potrebbero accelerare i tempi di elaborazione grazie all'uso di ricottori quantistici e computer quantistici universali. La tecnologia di ricottura quantistica ha una migliore scalabilità, ma casi d'uso più limitati. Ad esempio, l'ultima iterazione del chip superconduttore di D-Wave integra duemila qubit, ed è utilizzato per risolvere alcuni problemi di ottimizzazione difficile e per un campionamento efficiente. D'altra parte, i computer quantistici universali (chiamati anche basati su gate) sono più difficili da scalare, ma sono in grado di eseguire operazioni unitarie arbitrarie sui qubit mediante sequenze di porte logiche quantistiche. Questo assomiglia al modo in cui i computer digitali possono eseguire operazioni logiche arbitrarie sui bit classici.

Però, affrontano il fatto che controllare un sistema quantistico è molto complesso e analizzare i dati classici con risorse quantistiche non è così semplice come si potrebbe pensare, principalmente a causa della sfida di costruire dispositivi di interfaccia quantistica che consentono di codificare le informazioni classiche in una forma meccanica quantistica. Le difficoltà, come i problemi di "input" o "output" sembrano essere la principale sfida tecnica da superare.

L'obiettivo finale è trovare il metodo più ottimizzato in grado di leggere, comprendere e ottenere i migliori risultati di un insieme di dati, sia esso classico o quantistico. L'apprendimento automatico quantistico è sicuramente volto a rivoluzionare il campo delle scienze informatiche, non solo perché sarà in grado di controllare i computer quantistici, accelerare le velocità di elaborazione delle informazioni ben oltre le attuali velocità classiche, ma anche perché è in grado di svolgere funzioni innovative, tale apprendimento profondo quantistico, che potrebbe non solo riconoscere modelli controintuitivi nei dati, invisibile sia all'apprendimento automatico classico che all'occhio umano, ma anche riprodurli.

Come afferma infine Peter Wittek, "Scrivere questo articolo è stata una vera sfida:abbiamo avuto un comitato di sei coautori con idee diverse su cosa sia il campo, dov'è adesso, e dove sta andando. Abbiamo riscritto la carta da zero tre volte. La versione finale non avrebbe potuto essere completata senza la dedizione del nostro editore, a chi siamo debitori».