Negli ultimi anni, diversi scienziati informatici e fisici hanno esplorato il potenziale degli algoritmi di apprendimento automatico potenziati dai quanti. Come suggerisce il nome, Gli approcci di apprendimento automatico quantistico combinano algoritmi quantistici con tecniche di apprendimento automatico.

La maggior parte dei ricercatori che studiano gli algoritmi di apprendimento automatico quantistico ha cercato di capire se potevano risolvere i compiti più velocemente rispetto alle tecniche di apprendimento automatico convenzionali. Una delle attività che gli algoritmi di apprendimento automatico sono comunemente addestrati a completare sono le attività di classificazione, come organizzare le immagini in diverse categorie o classificare accuratamente oggetti specifici o creature viventi in un'immagine.

Tra gli algoritmi di apprendimento automatico che hanno ottenuto risultati promettenti nelle attività di classificazione ci sono i metodi del kernel, che includono una rinomata tecnica di apprendimento supervisionato chiamata macchina vettoriale di supporto. Negli ultimi anni, alcuni scienziati specializzati in algoritmi quantistici hanno così esplorato il potenziale dei metodi del kernel quantistico, che sono stati introdotti per la prima volta da Havlicek e dai suoi colleghi di IBM.

I ricercatori di IBM Quantum hanno recentemente condotto uno studio che indaga ulteriormente sul potenziale dei metodi del kernel quantistico. La loro carta, pubblicato in Fisica della natura , dimostra che questi metodi potrebbero fornire una solida velocità quantistica rispetto ai metodi kernel convenzionali.

"Nonostante la popolarità dei metodi del kernel quantistico, una domanda fondamentale è rimasta senza risposta:i computer quantistici possono utilizzare metodi del kernel per fornire un vantaggio dimostrabile rispetto agli algoritmi di apprendimento classici?" Srinivasan Arunachalam, uno dei ricercatori che ha condotto lo studio, detto Phys.org . "Capire questa domanda è stato il punto di partenza del nostro lavoro. In questo Fisica della natura carta, insieme ai miei collaboratori Yunchao Liu e Kristan Temme, abbiamo risolto questa domanda in senso affermativo."

Come parte del loro studio, Arunachalam ei suoi colleghi hanno costruito un problema di classificazione che potrebbe essere utilizzato per valutare rigorosamente i metodi euristici del kernel quantistico. Usando questo problema come esempio, hanno dimostrato l'esistenza di un algoritmo del kernel quantistico in grado di classificare un insieme di punti significativamente più velocemente degli algoritmi classici quando addestrati sugli stessi dati e implementati su una macchina a tolleranza d'errore.

Nell'approccio del kernel quantistico considerato dai ricercatori, un computer quantistico interviene per eseguire tutti i calcoli dell'algoritmo, ad eccezione di una porzione specifica. Quando viene dato un insieme di punti dati classici, come stringhe di bit generate da un computer classico, l'approccio del kernel quantistico li mappa in uno spazio dimensionale superiore, dove i computer quantistici possono trovare modelli nei dati ed estrarre caratteristiche caratterizzanti, utilizzando una tecnica chiamata stima del kernel quantistico (QKE).

"Per utilizzare questa tecnica per una separazione tra kernel quantistico e classico, il nostro punto di partenza è un problema ben noto che viene spesso utilizzato per separare l'informatica classica da quella quantistica, il problema del logaritmo discreto, "Ha detto Arunachalam. "Questo problema può essere risolto in tempo polinomiale su un computer quantistico utilizzando il famoso algoritmo di Shor, ma si crede fortemente che richieda un tempo superpolinomiale per ogni algoritmo classico".

Arunachalam ei suoi colleghi sono stati i primi a costruire un problema di classificazione basato sull'assunzione di durezza del problema del logaritmo discreto. interessante, hanno dimostrato che le prestazioni raggiunte da tutte le tecniche classiche di apprendimento automatico su questo problema sono peggiori o uguali all'ipotesi casuale, che è tutt'altro che soddisfacente.

"Successivamente, abbiamo costruito una funzione del kernel che mappa questi punti dati classici su uno spazio di caratteristiche complesse ad alta dimensione e mostra che QKE può risolvere questo problema di classificazione con altissima precisione in tempo polinomiale, " ha detto Arunachalam. "Un ulteriore vantaggio è che siamo in grado di dimostrare che questa accelerazione quantistica esiste anche se c'è un rumore di campionamento finito durante le misurazioni, che è una considerazione importante per i computer quantistici a breve termine e persino tolleranti ai guasti".

Gli studi precedenti hanno introdotto diversi nuovi algoritmi quantistici che potrebbero risolvere i compiti di classificazione più velocemente rispetto alle tradizionali tecniche di apprendimento automatico. Però, la maggior parte di questi algoritmi richiedeva forti ipotesi di input per ottenere risultati promettenti oppure i ricercatori non sono stati in grado di dimostrare rigorosamente il loro vantaggio rispetto alle classiche tecniche di apprendimento automatico.

"Il nostro algoritmo QKE può essere visto come un vantaggio quantistico end-to-end per i metodi del kernel quantistico implementati su un dispositivo tollerante ai guasti (con ipotesi realistiche), poiché iniziamo con punti dati classici e produciamo una soluzione classica per il problema di classificazione utilizzando un computer quantistico nel mezzo, " disse Arunachalam. "Certo, questa non è la fine della strada e invece è solo una ragione per comprendere meglio i kernel quantistici".

Il recente lavoro di questo team di ricercatori fornisce una conferma che i metodi del kernel quantistico potrebbero aiutare a completare le attività di classificazione in modo più rapido ed efficiente. Nei loro studi futuri, Arunachalam ei suoi colleghi intendono studiare il potenziale dell'utilizzo di questi algoritmi per affrontare i problemi di classificazione del mondo reale.

"Il problema di classificazione che abbiamo usato per dimostrare questo vantaggio è costruito artificialmente per fornire una base teorica per l'utilità dei kernel quantistici, " Arunachalam ha detto. "C'è spazio per ottenere ulteriori accelerazioni quantistiche utilizzando metodi del kernel quantistico per altri problemi (si spera) praticamente rilevanti. Riteniamo che il nostro risultato sia interessante perché ci fornisce una direzione per cercare ulteriori problemi di apprendimento che possono trarre vantaggio dai metodi del kernel. Nel nostro lavoro futuro speriamo di capire quanto sia generalizzabile la struttura del nostro problema di classificazione e se ci sono ulteriori accelerazioni ottenibili utilizzando strutture simili".

© 2021 Science X Network