यह सिलिबर्तो एट अल के अध्याय 5 में चर्चा की गई है । ।
अधिकांश क्वांटम (-हेनस्ड) मशीन लर्निंग एल्गोरिदम का उद्देश्य शास्त्रीय मशीन लर्निंग एल्गोरिदम के साथ जो संभव है, उस पर शास्त्रीय डेटा के प्रसंस्करण को गति देना है। दूसरे शब्दों में, संदर्भ यह है कि आपके पास शास्त्रीय वैक्टर { x k } k का एक सेट है , और आप इस डेटा के कुछ फ़ंक्शन f ( x k ) की गणना करना चाहते हैं (जो तब कुछ संपत्ति के अनुमानक के रूप में उपयोग किया जा सकता है, या नए डेटा बिंदुओं, या कुछ और के लिए उपयोग किए जाने वाले क्लासिफायर का उपयोग करने वाले फ़ंक्शन के रूप में)। अधिकांश क्वांटम मशीन लर्निंग एल्गोरिदम आपको बताते हैं कि, बशर्ते आप कुशलतापूर्वक मैपिंग एक्स को करने में सक्षम हों
{ एक्सक}कच( x)क)
तो यह कभी कभी संभव गणना करने के लिए है च ( { x कश्मीर } ) और अधिक कुशलता से। हालांकि, यह बहुत ही सरल है कि इस तरह के मानचित्रण कोकुशलतापूर्वककैसे किया जाए।
{ एक्सक}क↦ | { एक्सक} ⟩ = एनΣके जेएक्सके जे| कश्मीर , जे ⟩ ,
च( { एक्सक} )
क्वांटम एल्गोरिदम की संभावित घातीय गति-अप को बनाए रखने के लिए, इस रूपांतरण को कुशल बनाने की आवश्यकता है। यदि यह मामला नहीं है, तो एक ऐसी स्थिति में समाप्त होता है जिसमें क्वांटम एल्गोरिथ्म समस्या को बहुत कुशलता से हल कर सकता है, लेकिन केवल डेटा के एक लंबे प्रीप्रोसेसिंग के बाद प्रदर्शन किया गया है, इसलिए क्वांटम एल्गोरिथ्म का उपयोग करने के पूरे बिंदु को मारना है।
यहीं पर QRAMs चलन में आते हैं। क्यूआरएएम एक ऐसा उपकरण है जो सैद्धांतिक रूप से डी -डायमेंशनल क्लासिकल वैक्टर ( एन एम्प्लीट्यूड्स ऑफ) को क्वांटम स्टेट ऑफ लॉग ( एन डी ) क्विबेट में समय ओ ( लॉग ( एन डी ) ) में एनकोड कर सकता है । जैसा कि Ciliberto et al में चर्चा की गई है । , साथ ही इस संबंधित उत्तर में , क्यूआरएएम की वास्तविक व्यवहार्यता अभी भी पूरी तरह से स्पष्ट नहीं है, और कई चेतावनी बनी हुई हैं।एन घलॉग( एनघ)ओ (लॉग)( एनघ) )