मैं केवल इस सवाल के हिस्से का जवाब दूंगा कि क्वांटम यांत्रिकी मशीन सीखने के माध्यम से शास्त्रीय डेटा के विश्लेषण के लिए कैसे उपयोगी हो सकता है। "क्वांटम एआई" से संबंधित कार्य भी हैं, लेकिन यह एक बहुत अधिक सट्टा (और कम परिभाषित) तरह की चीज है, जिसे मैं नहीं जाना चाहता।
तो, क्वांटम कंप्यूटर का उपयोग मशीन लर्निंग एल्गोरिदम के माध्यम से डेटा विश्लेषण को गति देने के लिए किया जा सकता है ? स्कॉट आरोनसन का उद्धरण ठीक प्रिंट पेपर पढ़ें , यह एक जटिल प्रश्न का सरल प्रश्न है ।
सबसे पहले यह ध्यान दिया जाना चाहिए कि इस तरह के सवाल का जवाब देने की कोशिश क्वांटम मशीन लर्निंग के अनुसंधान क्षेत्र का एक बड़ा हिस्सा है (हाल ही में, क्वांटम-वर्धित मशीन लर्निंग या क्वांटम असिस्टेड मशीन लर्निंग के बारे में) को प्राथमिकता लगती है। क्यूएम और एमएल के इस विलय को संदर्भित करना, क्यूएम में समस्याओं को हल करने में मदद करने के लिए एमएल के उपयोग से इसे अलग करना)। जैसा कि आप विकिपीडिया पृष्ठ से देख सकते हैं, क्षेत्र में कई चीजें चल रही हैं, और यहां प्रासंगिक कागजात की एक व्यापक सूची देने की कोशिश करना और व्यर्थ करना होगा, क्योंकि यह जल्दी से पुराना हो जाएगा।
Schuld एट अल से उद्धृत । 2014 , क्वांटम-असिस्टेड मशीन लर्निंग (QAML) के पीछे का विचार निम्नलिखित है:
चूंकि विश्व स्तर पर संग्रहीत डेटा की मात्रा हर साल लगभग 20% बढ़ रही है (वर्तमान में कई सौ एक्साइबेट [1] के क्रम में), मशीन सीखने के लिए अभिनव दृष्टिकोण खोजने का दबाव बढ़ रहा है। एक आशाजनक विचार जो वर्तमान में शिक्षाविदों के साथ-साथ प्रमुख आईटी कंपनियों के अनुसंधान प्रयोगशालाओं में जांच कर रहा है, शास्त्रीय मशीन लर्निंग एल्गोरिदम का अनुकूलन करने के लिए क्वांटम कंप्यूटिंग की क्षमता का फायदा उठाता है।
अपने प्रश्न पर वापस जाते हुए, हैरो एट अल द्वारा पहला उत्तर दिया गया सकारात्मक उत्तर दिया गया । 2009 , जिसने एक कुशल क्वांटम अल्गोरिद्म दिया था जो समीकरणों के रैखिक प्रणाली को उलट देता है (सिस्टम पर कई परिस्थितियों में), जब डेटा क्वांटम राज्यों में संग्रहीत होता है। यह एक मौलिक रेखीय बीजगणित ऑपरेशन होने के नाते, खोज ने कई प्रस्तावित क्वांटम एल्गोरिदम को कुछ लेखकों ( 1307.0401 , 1307.0411 , 1307.0471 ), साथ ही कई अन्य लोगों द्वारा मशीन सीखने की समस्याओं को हल करने के लिए प्रेरित किया। अब कई समीक्षाएँ हैं जो आप संदर्भों की अधिक व्यापक सूची प्राप्त करने के लिए देख सकते हैं, जैसे 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , पीटर विटटेक की पुस्तक , और अधिक संभावना है।
हालांकि, यह अभी तक स्थापित नहीं है कि यह व्यवहार में कैसे काम करेगा। आरोनसन के पेपर में कुछ कारणों को अच्छी तरह से समझाया गया है: ठीक प्रिंट पढ़ें (प्रकाशित संस्करण भी देखें: nphys3272 )। बहुत मोटे तौर पर, समस्या यह है कि क्वांटम एल्गोरिदम आमतौर पर क्वांटम राज्यों में संग्रहीत "डेटा" को संभालते हैं, अक्सर वैक्टर को राज्य के आयामों में एन्कोडिंग करते हैं। यह, उदाहरण के लिए, QFT के लिए मामला है , और यह अभी भी HHL09 और व्युत्पन्न कार्यों के लिए मामला है ।
इसके साथ बड़ी समस्या (या बड़ी समस्याओं में से एक) यह है कि यह स्पष्ट रूप से दूर है कि आप प्रसंस्करण के लिए इस क्वांटम स्थिति में "बड़े" शास्त्रीय डेटा को कुशलता से कैसे लोड कर सकते हैं। इसका विशिष्ट उत्तर यह है कि "हमें बस एक qRAM का उपयोग करना है ", लेकिन यह भी कई कैविटीज़ के साथ आता है, क्योंकि इस प्रक्रिया को घातीय गति को बनाए रखने के लिए बहुत तेज़ होने की आवश्यकता होती है जो अब हम डेटा प्राप्त करने के बाद प्राप्त कर सकते हैं। क्वांटम रूप। मैं फिर से आगे के विवरण के लिए हारून के पेपर का संदर्भ देता हूं ।