La adquisición del lenguaje en los niños pequeños aparentemente está relacionada con su capacidad para detectar patrones. En su proceso de aprendizaje, buscan patrones en el conjunto de datos que les ayuden a identificar y optimizar las estructuras gramaticales para adquirir correctamente el idioma. Igualmente, Los traductores en línea utilizan algoritmos a través de técnicas de aprendizaje automático para optimizar sus motores de traducción y producir resultados completos y comprensibles. Aunque muchas traducciones no tenían mucho sentido al principio, En estos últimos años hemos podido ver importantes mejoras gracias al aprendizaje automático.

Las técnicas de aprendizaje automático utilizan herramientas y algoritmos matemáticos para buscar patrones en los datos. Estas técnicas se han convertido en herramientas poderosas para muchas aplicaciones diferentes, que puede variar desde usos biomédicos como en el reconocimiento del cáncer, en genética y genómica, en el seguimiento y diagnóstico del autismo e incluso en cirugía plástica, a la física pura aplicada, para estudiar la naturaleza de los materiales, materia o incluso sistemas cuánticos complejos.

Capaz de adaptarse y cambiar cuando se expone a un nuevo conjunto de datos, el aprendizaje automático puede identificar patrones, a menudo superando a los humanos en precisión. Aunque el aprendizaje automático es una herramienta poderosa, ciertos dominios de aplicación quedan fuera de alcance debido a la complejidad u otros aspectos que descartan el uso de las predicciones que brindan los algoritmos de aprendizaje.

Por lo tanto, en años recientes, El aprendizaje automático cuántico se ha convertido en un tema de interés debido a su gran potencial como posible solución a estos desafíos irresolubles y las computadoras cuánticas demuestran ser la herramienta adecuada para su solución.

En un estudio reciente, publicado en Naturaleza , un equipo internacional de investigadores integrado por Jacob Biamonte de Skoltech / IQC, Peter Wittek del ICFO, Nicola Pancotti de MPQ, Patrick Rebentrost del MIT, Nathan Wiebe de Microsoft Research, y Seth Lloyd del MIT han revisado el estado real del aprendizaje automático clásico y el aprendizaje automático cuántico. En su revisión, Han abordado a fondo diferentes escenarios relacionados con el aprendizaje automático clásico y cuántico. En su estudio, han considerado diferentes combinaciones posibles:el método convencional de utilizar el aprendizaje automático clásico para analizar datos clásicos, utilizando el aprendizaje automático cuántico para analizar datos tanto clásicos como cuánticos, y finalmente, utilizando el aprendizaje automático clásico para analizar datos cuánticos.

Primeramente, se propusieron brindar una visión en profundidad del estado de los protocolos de aprendizaje supervisados ​​y no supervisados ​​actuales en el aprendizaje automático clásico al indicar todos los métodos aplicados. Introducen el aprendizaje automático cuántico y proporcionan un enfoque extenso sobre cómo esta técnica podría usarse para analizar datos tanto clásicos como cuánticos. enfatizando que las máquinas cuánticas podrían acelerar las escalas de tiempo de procesamiento gracias al uso de templadores cuánticos y computadoras cuánticas universales. La tecnología de recocido cuántico tiene una mejor escalabilidad, pero casos de uso más limitados. Por ejemplo, la última iteración del chip superconductor de D-Wave integra dos mil qubits, y se utiliza para resolver ciertos problemas difíciles de optimización y para un muestreo eficiente. Por otra parte, Las computadoras cuánticas universales (también llamadas basadas en puertas) son más difíciles de escalar, pero son capaces de realizar operaciones unitarias arbitrarias en qubits mediante secuencias de puertas lógicas cuánticas. Esto se asemeja a cómo las computadoras digitales pueden realizar operaciones lógicas arbitrarias en bits clásicos.

Sin embargo, abordan el hecho de que controlar un sistema cuántico es muy complejo y analizar datos clásicos con recursos cuánticos no es tan sencillo como podría pensarse, principalmente debido al desafío de construir dispositivos de interfaz cuántica que permitan codificar información clásica en una forma mecánica cuántica. Dificultades, como los problemas de "entrada" o "salida" parecen ser el principal desafío técnico que debe superarse.

El objetivo final es encontrar el método más optimizado que pueda leer, comprender y obtener los mejores resultados de un conjunto de datos, ya sea clásico o cuántico. El aprendizaje automático cuántico está definitivamente destinado a revolucionar el campo de las ciencias de la computación, no solo porque podrá controlar computadoras cuánticas, acelerar las tasas de procesamiento de la información mucho más allá de las velocidades clásicas actuales, sino también porque es capaz de realizar funciones innovadoras, tal aprendizaje profundo cuántico, que no solo podía reconocer patrones contraintuitivos en los datos, invisible tanto para el aprendizaje automático clásico como para el ojo humano, pero también reproducirlos.

Como afirma finalmente Peter Wittek, "Escribir este artículo fue todo un desafío:teníamos un comité de seis coautores con diferentes ideas sobre lo que es el campo, donde esta ahora, y hacia donde se dirige. Reescribimos el papel desde cero tres veces. La versión final no podría haberse completado sin la dedicación de nuestro editor, con quien estamos en deuda ".