(Phys.org) —Los físicos han descubierto que la estructura de ciertos tipos de algoritmos de aprendizaje cuántico es muy similar a sus contrapartes clásicas, un hallazgo que ayudará a los científicos a desarrollar aún más las versiones cuánticas. Los algoritmos clásicos de aprendizaje automático se utilizan actualmente para realizar tareas computacionales complejas, como el reconocimiento de patrones o la clasificación en grandes cantidades de datos, y constituyen una parte crucial de muchas tecnologías modernas. El objetivo de los algoritmos de aprendizaje cuántico es llevar estas características a escenarios donde la información está en una forma totalmente cuántica.

Los científicos, Alex Monràs de la Universitat Autònoma de Barcelona, España; Gael Sentís en la Universidad del País Vasco, España, y la Universidad de Siegen, Alemania; y Peter Wittek en ICFO-The Institute of Photonic Science, España, y la Universidad de Borås, Suecia, han publicado un artículo sobre sus resultados en un número reciente de Cartas de revisión física .

"Nuestro trabajo revela la estructura de una clase general de algoritmos de aprendizaje cuántico a un nivel muy fundamental, "Sentís dijo Phys.org . “Muestra que las operaciones potencialmente muy complejas involucradas en una configuración cuántica óptima pueden descartarse en favor de un esquema operativo mucho más simple, que es análogo al utilizado en los algoritmos clásicos, y no se pierde rendimiento en el proceso. Este hallazgo ayuda a establecer las capacidades últimas de los algoritmos de aprendizaje cuántico, y abre la puerta a la aplicación de resultados clave en el aprendizaje estadístico a escenarios cuánticos ".

En su estudio, los físicos se centraron en un tipo específico de aprendizaje automático llamado aprendizaje inductivo supervisado. Aquí, el algoritmo recibe instancias de entrenamiento de las que extrae reglas generales, y luego aplica estas reglas a una variedad de casos de prueba (o problema), cuáles son los problemas reales para los que está entrenado el algoritmo. Los científicos demostraron que los algoritmos de aprendizaje supervisado inductivo clásico y cuántico deben tener estas dos fases (una fase de entrenamiento y una fase de prueba) que son completamente distintas e independientes. Mientras que en la configuración clásica este resultado se sigue trivialmente de la naturaleza de la información clásica, los físicos demostraron que en el caso cuántico es una consecuencia del teorema cuántico de no clonación, un teorema que prohíbe hacer una copia perfecta de un estado cuántico.

Al revelar esta similitud, Los nuevos resultados generalizan algunas ideas clave en la teoría clásica del aprendizaje estadístico a escenarios cuánticos. Esencialmente, esta generalización reduce los protocolos complejos a otros más simples sin perder rendimiento, facilitando su desarrollo e implementación. Por ejemplo, un beneficio potencial es la capacidad de acceder al estado del algoritmo de aprendizaje entre las fases de entrenamiento y prueba. Sobre la base de estos resultados, los investigadores esperan que el trabajo futuro pueda conducir a una teoría completamente cuántica de los límites de riesgo en el aprendizaje de la estadística cuántica.

"Se utilizarán algoritmos de aprendizaje cuántico supervisado inductivo para clasificar la información almacenada en sistemas cuánticos de forma automatizada y adaptable, una vez entrenado con sistemas de muestra, Sentís dijo. “Serán potencialmente útiles en todo tipo de situaciones donde la información se encuentra naturalmente en forma cuántica, y probablemente será parte de futuros protocolos de procesamiento de información cuántica. Nuestros resultados ayudarán a diseñar y comparar estos algoritmos con el mejor rendimiento alcanzable permitido por la mecánica cuántica ".

© 2017 Phys.org