Gli scienziati dell'informazione quantistica hanno introdotto un nuovo metodo per le classificazioni dell'apprendimento automatico nell'informatica quantistica. I kernel quantistici non lineari in un classificatore binario quantistico forniscono nuove informazioni per migliorare l'accuratezza dell'apprendimento automatico quantistico, ritenuto in grado di superare l'attuale tecnologia AI.

Il gruppo di ricerca guidato dal professor June-Koo Kevin Rhee della School of Electrical Engineering, ha proposto un classificatore quantistico basato sulla fedeltà dello stato quantistico utilizzando uno stato iniziale diverso e sostituendo la classificazione di Hadamard con un test di scambio. A differenza dell'approccio convenzionale, questo metodo dovrebbe migliorare significativamente le attività di classificazione quando il set di dati di addestramento è piccolo, sfruttando il vantaggio quantistico nel trovare caratteristiche non lineari in un ampio spazio di caratteristiche.

L'apprendimento automatico quantistico è promettente come una delle applicazioni indispensabili per l'informatica quantistica. Nell'apprendimento automatico, un problema fondamentale per un'ampia gamma di applicazioni è la classificazione, un compito necessario per riconoscere i modelli nei dati di allenamento etichettati al fine di assegnare un'etichetta a nuovi, dati non visti in precedenza; e il metodo kernel è stato uno strumento di classificazione inestimabile per identificare relazioni non lineari in dati complessi.

Più recentemente, il metodo kernel è stato introdotto nell'apprendimento automatico quantistico con grande successo. La capacità dei computer quantistici di accedere e manipolare in modo efficiente i dati nello spazio delle funzionalità quantistiche può aprire opportunità alle tecniche quantistiche per migliorare i vari metodi di apprendimento automatico esistenti.

L'idea dell'algoritmo di classificazione con un kernel non lineare è che dato uno stato di test quantistico, il protocollo calcola la somma della potenza ponderata delle fedeltà dei dati quantistici in parallelo quantistico tramite un circuito di prova di scambio seguito da due misurazioni a qubit singolo (vedi Figura 1). Ciò richiede solo un numero limitato di operazioni sui dati quantistici, indipendentemente dalle dimensioni dei dati. La novità di questo approccio sta nel fatto che i dati di addestramento etichettati possono essere densamente impacchettati in uno stato quantico e quindi confrontati con i dati del test.

Il team KAIST, in collaborazione con ricercatori dell'Università di KwaZulu-Natal (UKZN) in Sud Africa e Data Cybernetics in Germania, ha ulteriormente avanzato il campo in rapida evoluzione dell'apprendimento automatico quantistico introducendo classificatori quantistici con kernel quantistici su misura.

I dati di input sono rappresentati da dati classici tramite una mappa di caratteristiche quantistiche o dati quantistici intrinseci, e la classificazione si basa sulla funzione del kernel che misura la vicinanza dei dati di test ai dati di addestramento.

Dr. Daniel Park presso KAIST, uno degli autori principali di questa ricerca, ha detto che il kernel quantistico può essere adattato sistematicamente a una somma di potenza arbitraria, il che lo rende un ottimo candidato per le applicazioni del mondo reale.

Il professor Rhee ha detto che il fork quantistico, una tecnica che è stata inventata dal team in precedenza, consente di avviare il protocollo da zero, anche quando tutti i dati di addestramento etichettati e i dati di test sono codificati in modo indipendente in qubit separati.

Il professor Francesco Petruccione di UKZN ha spiegato, "La fedeltà di stato di due stati quantistici include le parti immaginarie delle ampiezze di probabilità, che consente l'uso dell'intero spazio delle caratteristiche quantistiche."

Per dimostrare l'utilità del protocollo di classificazione, Carsten Blank di Data Cybernetics ha implementato il classificatore e ha confrontato le simulazioni classiche utilizzando il computer quantistico IBM a cinque qubit che è disponibile gratuitamente agli utenti pubblici tramite il servizio cloud. "Questo è un segno promettente che il campo sta progredendo, "Nota in bianco.