Los científicos de Skoltech han demostrado que el aprendizaje automático mejorado cuántico se puede utilizar en datos cuánticos (a diferencia de los clásicos), superando una desaceleración significativa común a estas aplicaciones y abriendo un "terreno fértil para desarrollar conocimientos computacionales en sistemas cuánticos". El artículo fue publicado en la revista Revisión física A .

Las computadoras cuánticas utilizan efectos mecánicos cuánticos para almacenar y manipular información. Si bien a menudo se afirma que los efectos cuánticos son contrarios a la intuición, Estos efectos permitirán que los cálculos cuánticos mejorados superen drásticamente a las mejores supercomputadoras. En 2019, el mundo vio un prototipo de esto demostrado por Google como superioridad computacional cuántica.

Se han desarrollado algoritmos cuánticos para mejorar una gama de diferentes tareas computacionales; más recientemente, esto ha crecido para incluir el aprendizaje automático mejorado cuántico. El aprendizaje automático cuántico fue iniciado en parte por el laboratorio residente de Skoltech para el procesamiento de información cuántica, dirigido por Jacob Biamonte, coautor de este artículo. "Las técnicas de aprendizaje automático se han convertido en herramientas poderosas para encontrar patrones en los datos. Los sistemas cuánticos producen patrones atípicos que se cree que los sistemas clásicos no producen de manera eficiente. por lo que no es sorprendente que las computadoras cuánticas puedan superar a las computadoras clásicas en tareas de aprendizaje automático, " él dice.

El enfoque estándar para el aprendizaje automático mejorado cuántico ha sido aplicar algoritmos cuánticos a datos clásicos. En otras palabras, Los datos clásicos (representados por cadenas de bits de unos y ceros) deben almacenarse o representarse de otro modo mediante un procesador cuántico antes de que se puedan utilizar los efectos cuánticos. Esto se denomina problema de lectura de datos. La lectura de datos sirve para limitar la aceleración que es posible mediante el uso de algoritmos de aprendizaje automático mejorados cuánticos.

Un equipo de investigadores de Skoltech ha fusionado el aprendizaje automático mejorado cuántico con la simulación mejorada cuántica, aplicando su enfoque para estudiar las transiciones de fase en problemas magnéticos cuánticos de muchos cuerpos. Al hacerlo, entrenan redes neuronales cuánticas utilizando únicamente estados cuánticos como datos. En otras palabras, los autores evitan el problema de la lectura de datos alimentándose de estados de la materia de la mecánica cuántica. Tales estados parecen requerir generalmente una cantidad imposible de memoria para representar usando enfoques estándar (no cuánticos).

El autor principal del estudio, El estudiante de doctorado de Skoltech, Alexey Uvarov, describe el estudio como "un paso hacia la comprensión del poder de los dispositivos cuánticos para el aprendizaje automático". Los investigadores fusionaron una variedad de técnicas, que incluyó la aplicación de algunas ideas de las redes de tensores y la teoría del entrelazamiento en el análisis de su enfoque.

El trabajo utiliza una subrutina conocida como eigensolver cuántico variacional (VQE), un algoritmo que encuentra iterativamente una aproximación al estado fundamental de un hamiltoniano cuántico dado. La salida de esta subrutina es un conjunto de instrucciones para preparar un estado cuántico en una computadora cuántica.

Escribiendo el estado explícitamente, aunque, normalmente requiere una cantidad exponencial de memoria, de ahí que las propiedades de tal estado se examinen mejor preparándolo en hardware. El algoritmo de aprendizaje en el artículo trata con el siguiente problema:dado un estado VQE que resuelve el problema del estado fundamental para un modelo de espín cuántico, averigüe a cuál de las dos fases de la materia pertenece ese estado.

"Si bien hemos centrado nuestros enfoques en problemas de la física de la materia condensada, Tales algoritmos mejorados cuánticos se aplican igualmente a los desafíos que se enfrentan en la ciencia de los materiales y el descubrimiento de fármacos, "Notas Biamonte.