พื้นหลัง
ฟังก์ชันในเป็น PAC ที่เรียนรู้ได้ในเวลา quasipolynomial ด้วยอัลกอริทึมแบบดั้งเดิมที่ต้องใช้แบบสอบถามที่เลือกแบบสุ่มเพื่อเรียนรู้วงจรความลึก d [1] หากไม่มีอัลกอริทึมการแฟ็กเตอริงนี่ก็เป็นสิ่งที่ดีที่สุด [2] แน่นอนในคอมพิวเตอร์ควอนตัมเรารู้วิธีคำนึงถึงปัจจัยดังนั้นขอบเขตล่างนี้จึงไม่ช่วย ยิ่งไปกว่านั้นอัลกอริธึมคลาสสิคที่เหมาะสมที่สุดใช้สเปกตรัมของฟูริเยร์ของฟังก์ชั่นจึงกรีดร้อง
[1] N. Linial, Y. Mansour และ N. Nisan [1993] "วงจรเชิงลึกคงที่, การแปลงฟูริเยร์, และการเรียนรู้", วารสาร ACM 40 (3): 607-620
[2] M. Kharitonov [1993] "ความแข็งการเข้ารหัสของการเรียนรู้เฉพาะการกระจาย", การดำเนินการของ ACM STOC'93, pp. 372-381
ในความเป็นจริง 6 ปีที่ผ่านมาสกอตต์ Aaronson ใส่ learnability ของเป็นหนึ่งในของเขาสิบ Challanges กึ่งแกรนด์ควอนตัมคอมพิวเตอร์ทฤษฎี
คำถาม
คำถามของฉันคือสามเท่า:
1) มีตัวอย่างของตระกูลฟังก์ชันธรรมชาติที่คอมพิวเตอร์ควอนตัมสามารถเรียนรู้ได้เร็วกว่าคอมพิวเตอร์แบบดั้งเดิมที่ได้รับการตั้งสมมติฐานเข้ารหัส
2) มีความคืบหน้าใด ๆ เกี่ยวกับความสามารถในการเรียนรู้ของหรือไม่? (หรือทะเยอทะยานมากกว่าเล็กน้อย)
3) ในเรื่องของความสามารถในการเรียนรู้ของความคิดเห็นของ Aaronson: "จากนั้นคอมพิวเตอร์ควอนตัมจะมีข้อได้เปรียบมหาศาลจากคอมพิวเตอร์แบบดั้งเดิมในการเรียนรู้น้ำหนักใกล้เคียงกับที่เหมาะสมที่สุดสำหรับเครือข่ายประสาท" ใครสามารถให้การอ้างอิงเกี่ยวกับวิธีการที่การปรับปรุงน้ำหนักสำหรับมุ้งประสาทและวงจรเกี่ยวข้อง? (นอกเหนือจากข้อเท็จจริงที่ว่าธรณีประตูประตูดูเหมือนเซลล์ประสาท sigmoid) (คำถามนี้ถูกถามและตอบแล้ว )