ฉันจะตอบเฉพาะในส่วนของคำถามว่ากลศาสตร์ควอนตัมจะมีประโยชน์สำหรับการวิเคราะห์ข้อมูลแบบดั้งเดิมผ่านการเรียนรู้ของเครื่องได้อย่างไร นอกจากนี้ยังมีงานที่เกี่ยวข้องกับ "ควอนตัมเอไอ" แต่นั่นเป็นสิ่งที่เก็งกำไรมากขึ้น (และน้อยกว่าที่กำหนด) ซึ่งฉันไม่ต้องการเข้าไป
ดังนั้นคอมพิวเตอร์ควอนตัมสามารถใช้ในการวิเคราะห์ข้อมูลได้เร็วขึ้นด้วยอัลกอริทึมการเรียนรู้ของเครื่องหรือไม่ เธซเธฑสกอตต์ Aaronson ของพิมพ์อ่านปรับกระดาษที่เป็นคำถามง่ายๆกับคำตอบที่ซับซ้อน
มันควรแรกของทุกคนจะสังเกตได้ว่าพยายามที่จะตอบคำถามประเภทนี้เป็นส่วนใหญ่ของสิ่งที่งานวิจัยของควอนตัมเครื่องการเรียนรู้เป็นเรื่องเกี่ยวกับ (เมื่อเร็ว ๆ นี้คำว่าควอนตัมเพิ่มการเรียนรู้เครื่องหรือควอนตัมการเรียนรู้เครื่องช่วยดูเหมือนจะเป็นที่ต้องการ เพื่ออ้างถึงการรวมกันของ QM และ ML เพื่อแยกความแตกต่างจากการใช้ ML เพื่อช่วยแก้ปัญหาใน QM) อย่างที่คุณเห็นจากหน้า Wikipedia มีหลายสิ่งที่เกิดขึ้นในฟิลด์และมันไม่มีประโยชน์ที่จะลองและให้รายการเอกสารที่เกี่ยวข้องที่ครอบคลุมที่นี่เนื่องจากมันจะล้าสมัยอย่างรวดเร็ว
ข้อความจากSchuld และคณะ 2014แนวคิดเบื้องหลังการเรียนรู้ของเครื่อง Quantum-Assisted Machine (QAML) มีดังต่อไปนี้:
เนื่องจากปริมาณข้อมูลที่จัดเก็บทั่วโลกมีการเติบโตประมาณ 20% ทุกปี (ปัจจุบันอยู่ในลำดับหลายร้อย Exabytes [1]) ความกดดันในการค้นหาวิธีการใหม่ ๆ ในการเรียนรู้ของเครื่องจึงเพิ่มขึ้น แนวคิดที่มีแนวโน้มซึ่งกำลังถูกตรวจสอบโดยสถาบันการศึกษารวมถึงในห้องปฏิบัติการวิจัยของ บริษัท ไอทีชั้นนำใช้ประโยชน์จากศักยภาพของการคำนวณควอนตัมเพื่อเพิ่มประสิทธิภาพอัลกอริทึมการเรียนรู้ของเครื่องจักรแบบดั้งเดิม
กลับไปที่คำถามของคุณคำตอบที่ดูเหมือนจะเป็นคำตอบแรกคือHarrow และคณะ 2009ซึ่งให้อัลกอริทึมควอนตัมที่มีประสิทธิภาพในการสลับระบบเชิงเส้นของสมการ (ภายใต้เงื่อนไขจำนวนหนึ่งผ่านระบบ) ทำงานเมื่อข้อมูลถูกเก็บไว้ในสถานะควอนตัม เนื่องจากนี่เป็นการดำเนินงานพีชคณิตเชิงเส้นพื้นฐานการค้นพบนี้นำไปสู่อัลกอริทึมควอนตัมที่เสนอจำนวนมากเพื่อแก้ปัญหาการเรียนรู้ของเครื่องโดยผู้เขียนคนเดียวกัน ( 1307.0401 , 1307.0411 , 1307.0471 ) รวมทั้งคนอื่น ๆ มีความคิดเห็นในขณะนี้มากมายที่คุณสามารถดูได้ที่จะได้รับรายการที่ครอบคลุมมากขึ้นของการอ้างอิงเช่นมี1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , หนังสือของ Peter Wittekและมีแนวโน้มมากขึ้น
อย่างไรก็ตามมันก็ยังห่างไกลจากการก่อตั้งขึ้นว่าวิธีนี้จะทำงานในทางปฏิบัติ เหตุผลบางประการได้รับการอธิบายอย่างดีในกระดาษของ Aaronson: อ่านการพิมพ์อย่างละเอียด (ดูรุ่นที่เผยแพร่: nphys3272 ) พูดอย่างคร่าวๆปัญหาก็คือควอนตัมอัลกอริธึมมักจัดการกับ "ข้อมูล" ที่เก็บไว้ในสถานะควอนตัมมักเข้ารหัสเวกเตอร์เข้าไปในแอมพลิจูดของรัฐ นี่คือตัวอย่างเคสสำหรับQFTและยังคงเป็นเคสสำหรับHHL09และงานที่ได้รับ
ปัญหาใหญ่ (หรือหนึ่งในปัญหาใหญ่) ด้วยสิ่งนี้คือมันไม่ชัดเจนว่าคุณสามารถโหลดข้อมูลคลาสสิก "ใหญ่" อย่างมีประสิทธิภาพเข้าสู่สถานะควอนตัมนี้เพื่อการประมวลผลได้อย่างไร คำตอบทั่วไปของเรื่องนี้คือ "เราต้องใช้qRAM " แต่มันก็มาพร้อมกับคำเตือนมากมายเนื่องจากกระบวนการนี้ต้องรวดเร็วมากเพื่อรักษาความเร็วแบบเอ็กซ์โพเนนเชียลซึ่งตอนนี้เราสามารถทำได้เมื่อข้อมูลอยู่ใน รูปแบบควอนตัม ฉันอ้างถึงกระดาษของ Aaronsonอีกครั้งสำหรับรายละเอียดเพิ่มเติมเกี่ยวกับ caveats