En años recientes, Varios científicos y físicos informáticos han estado explorando el potencial de los algoritmos de aprendizaje automático mejorados cuánticamente. Como sugiere su nombre, Los enfoques de aprendizaje automático cuántico combinan algoritmos cuánticos con técnicas de aprendizaje automático.

La mayoría de los investigadores que investigan los algoritmos de aprendizaje automático cuántico han estado tratando de comprender si podían resolver tareas más rápido que las técnicas convencionales de aprendizaje automático. Una de las tareas para las que los algoritmos de aprendizaje automático suelen estar capacitados para completar son las tareas de clasificación, como organizar imágenes en diferentes categorías o clasificar con precisión objetos específicos o criaturas vivientes en una imagen.

Entre los algoritmos de aprendizaje automático que lograron resultados prometedores en las tareas de clasificación se encuentran los métodos del kernel, que incluyen una reconocida técnica de aprendizaje supervisado llamada máquina de vectores de soporte. En los ultimos años, Algunos científicos especializados en algoritmos cuánticos han estado explorando el potencial de los métodos de kernel cuántico, que fueron presentados por primera vez por Havlicek y sus colegas en IBM.

Los investigadores de IBM Quantum han llevado a cabo recientemente un estudio que investiga más a fondo el potencial de los métodos de kernel cuántico. Su papel publicado en Física de la naturaleza , demuestra que estos métodos podrían proporcionar una robusta aceleración cuántica sobre los métodos de kernel convencionales.

"A pesar de la popularidad de los métodos de kernel cuántico, una pregunta fundamental quedó sin respuesta:¿Pueden las computadoras cuánticas emplear métodos de kernel para proporcionar una ventaja demostrable sobre los algoritmos de aprendizaje clásicos? "Srinivasan Arunachalam, uno de los investigadores que realizó el estudio, dicho Phys.org . "Comprender esta pregunta fue el punto de partida de nuestro trabajo. En este Física de la naturaleza papel, junto a mis colaboradores Yunchao Liu y Kristan Temme, resolvimos esta cuestión afirmativamente ".

Como parte de su estudio, Arunachalam y sus colegas construyeron un problema de clasificación que podría usarse para evaluar rigurosamente los métodos heurísticos del núcleo cuántico. Usando este problema como ejemplo, demostraron la existencia de un algoritmo de núcleo cuántico que puede clasificar un conjunto de puntos significativamente más rápido que los algoritmos clásicos cuando se entrena con los mismos datos y se implementa en una máquina con tolerancia a fallas.

En el enfoque del kernel cuántico considerado por los investigadores, una computadora cuántica interviene para ejecutar todos los cálculos del algoritmo, excepto por una porción específica. Cuando se le da un conjunto de puntos de datos clásicos, como cadenas de bits generadas por una computadora clásica, el enfoque del kernel cuántico los mapea en un espacio dimensional superior, donde las computadoras cuánticas pueden encontrar patrones en los datos y extraer características de caracterización, utilizando una técnica llamada estimación del núcleo cuántico (QKE).

"Con el fin de utilizar esta técnica para una separación entre núcleos cuánticos y clásicos, nuestro punto de partida es un problema bien conocido que se utiliza a menudo para separar la computación clásica de la cuántica, el problema del logaritmo discreto, ", Dijo Arunachalam." Este problema se puede resolver en tiempo polinomial en una computadora cuántica utilizando el famoso algoritmo de Shor, pero se cree firmemente que requiere un tiempo superpolinomial para cada algoritmo clásico ".

Arunachalam y sus colegas fueron los primeros en construir un problema de clasificación basado en el supuesto de dureza del problema del logaritmo discreto. Curiosamente, demostraron que el rendimiento logrado por todas las técnicas clásicas de aprendizaje automático en este problema es peor o igual que la adivinación aleatoria, lo cual está lejos de ser satisfactorio.

"Después, construimos una función de núcleo que mapea estos puntos de datos clásicos en un espacio de características complejas de alta dimensión y muestra que QKE puede resolver este problema de clasificación con una precisión muy alta en tiempo polinomial, ", Dijo Arunachalam." Una ventaja adicional es que podemos demostrar que esta aceleración cuántica existe incluso si hay un ruido de muestreo finito mientras se toman las medidas, lo cual es una consideración importante para computadoras cuánticas a corto plazo e incluso tolerantes a fallas ".

Estudios anteriores han introducido varios algoritmos cuánticos nuevos que podrían resolver tareas de clasificación más rápido que las técnicas convencionales de aprendizaje automático. Sin embargo, la mayoría de estos algoritmos requirieron fuertes suposiciones de entrada para lograr resultados prometedores o los investigadores no pudieron demostrar rigurosamente su ventaja sobre las técnicas clásicas de aprendizaje automático.

"Nuestro algoritmo QKE puede verse como una ventaja cuántica de extremo a extremo para los métodos de kernel cuántico implementados en un dispositivo tolerante a fallas (con suposiciones realistas), dado que comenzamos con puntos de datos clásicos y producimos una solución clásica para el problema de clasificación usando una computadora cuántica en el medio, "Dijo Arunachalam." Por supuesto, este no es el final del camino y, en cambio, es solo una razón para comprender mejor los núcleos cuánticos ".

El trabajo reciente de este equipo de investigadores proporciona una confirmación de que los métodos del kernel cuántico podrían ayudar a completar las tareas de clasificación de forma más rápida y eficiente. En sus estudios futuros, Arunachalam y sus colegas planean investigar el potencial del uso de estos algoritmos para abordar problemas de clasificación del mundo real.

"El problema de clasificación que usamos para probar esta ventaja está construido artificialmente para proporcionar un fundamento teórico para la utilidad de los núcleos cuánticos, "Hay espacio para obtener más aceleraciones cuánticas utilizando métodos de kernel cuántico para otros (con suerte) problemas prácticamente relevantes", dijo Arunachalam. Creemos que nuestro resultado es interesante porque nos proporciona una dirección para buscar más problemas de aprendizaje que puedan beneficiarse de los métodos del kernel. En nuestro trabajo futuro, esperamos comprender cuán generalizable es la estructura de nuestro problema de clasificación y si se pueden obtener más aceleraciones utilizando estructuras similares ".

© 2021 Science X Network