पृष्ठभूमि
में कार्य एक शास्त्रीय एल्गोरिथ्म के साथ कैसिपोलिनोमियल समय में पीएसी सीखने योग्य होते हैं जिनके लिए बेतरतीब ढंग से चुने गए प्रश्नों की गहराई डी 1 [1] सीखना होता है। यदि कोई फैक्टरिंग एल्गोरिथ्म है तो यह इष्टतम है [2]। बेशक, एक क्वांटम कंप्यूटर पर हम जानते हैं कि कैसे कारक है, इसलिए यह निचला बाउंड मदद नहीं करता है। इसके अलावा, इष्टतम शास्त्रीय एल्गोरिथ्म फ़ंक्शन के फूरियर स्पेक्ट्रम का उपयोग करता है और इस प्रकार चिल्लाता है "मुझे क्वांटमाइज़ करें!"
[१] एन। लिनियल, वाई। मंसूर और एन। निसान। [१ ९९ ३] "लगातार गहराई वाले सर्किट, फूरियर रूपांतरण और सीखने की क्षमता", एसीएम ४० (३) के जर्नल: ६० .-६२०।
[२] एम। खारितोनोव। [१ ९९ ३] "वितरण-विशिष्ट सीखने की क्रिप्टोग्राफ़िक कठोरता", ACM STOC'93 की कार्यवाही, पीपी ३ .२-३ .१।
वास्तव में, 6 साल पहले, स्कॉट आरोनसन ने क्वांटम कम्प्यूटिंग थ्योरी के लिए अपने दस सेमी-ग्रैंड चैलेंज में से एक के रूप में की सीख दी ।
सवाल
मेरा प्रश्न तीन गुना है:
1) क्या प्राकृतिक फ़ंक्शन परिवारों के उदाहरण हैं कि क्वांटम कंप्यूटर शास्त्रीय कंप्यूटरों की तुलना में क्रिप्टोग्राफिक मान्यताओं की तुलना में तेजी से सीख सकते हैं?
2) क्या विशेष रूप से की सीखने की क्षमता पर कोई प्रगति हुई है ? (या थोड़ा और महत्वाकांक्षी )
3) की अधिगम्यता के संबंध में, आरोनसन टिप्पणी करते हैं: "फिर क्वांटम कंप्यूटरों को शास्त्रीय नेटवर्क पर तंत्रिका नेटवर्क के लिए इष्टतम वजन सीखने में काफी फायदा होगा।" क्या कोई व्यक्ति तंत्रिका जाल और सर्किट से संबंधित वजन को कैसे अपडेट कर सकता है ? (इस तथ्य के अलावा कि थ्रेशोल्ड गेट्स सिग्मॉइड न्यूरॉन्स की तरह दिखते हैं) (यह सवाल पहले से ही पूछा और उत्तर दिया गया था )