Nos últimos anos, vários cientistas da computação e físicos têm explorado o potencial dos algoritmos de aprendizado de máquina aprimorados pelo quantum. Como o nome sugere, As abordagens de aprendizado de máquina quântica combinam algoritmos quânticos com técnicas de aprendizado de máquina.

A maioria dos pesquisadores que investigam algoritmos de aprendizado de máquina quântica tem tentado entender se eles poderiam resolver tarefas mais rapidamente do que as técnicas convencionais de aprendizado de máquina. Uma das tarefas que os algoritmos de aprendizado de máquina são comumente treinados para realizar são tarefas de classificação, como organizar imagens em diferentes categorias ou classificar com precisão objetos específicos ou criaturas vivas em uma imagem.

Entre os algoritmos de aprendizado de máquina que alcançaram resultados promissores em tarefas de classificação estão os métodos de kernel, que incluem uma técnica de aprendizado supervisionado renomada chamada máquina de vetor de suporte. Ao longo dos últimos anos, alguns cientistas especializados em algoritmos quânticos têm explorado o potencial dos métodos de kernel quântico, que foram apresentados pela primeira vez por Havlicek e seus colegas da IBM.

Pesquisadores da IBM Quantum realizaram recentemente um estudo para investigar o potencial dos métodos de kernel quântico. Seu papel, publicado em Física da Natureza , demonstra que esses métodos podem fornecer uma robusta aceleração quântica em relação aos métodos convencionais de kernel.

"Apesar da popularidade dos métodos de kernel quântico, uma questão fundamental permaneceu sem resposta:Os computadores quânticos podem empregar métodos de kernel para fornecer uma vantagem comprovada sobre os algoritmos de aprendizagem clássicos? "Srinivasan Arunachalam, um dos pesquisadores que realizou o estudo, contado Phys.org . “Entender essa questão foi o ponto de partida do nosso trabalho. Física da Natureza papel, junto com meus colaboradores Yunchao Liu e Kristan Temme, resolvemos esta questão afirmativamente. "

Como parte de seu estudo, Arunachalam e seus colegas construíram um problema de classificação que poderia ser usado para avaliar rigorosamente os métodos heurísticos de kernel quântico. Usando este problema como exemplo, eles provaram a existência de um algoritmo de kernel quântico que pode classificar um conjunto de pontos significativamente mais rápido do que os algoritmos clássicos quando treinados nos mesmos dados e implementados em uma máquina com tolerância a falhas.

Na abordagem do kernel quântico considerada pelos pesquisadores, um computador quântico entra em ação para executar todos os cálculos do algoritmo, exceto para uma porção específica. Quando dado um conjunto de pontos de dados clássicos, como sequências de bits geradas por um computador clássico, a abordagem do kernel quântico mapeia-os em um espaço dimensional superior, onde os computadores quânticos podem encontrar padrões nos dados e extrair características de caracterização, usando uma técnica chamada estimativa de kernel quântico (QKE).

"Para usar esta técnica para uma separação entre os kernels quânticos e clássicos, nosso ponto de partida é um problema bem conhecido que costuma ser usado para separar a computação clássica da quântica, o problema do logaritmo discreto, "Arunachalam disse." Este problema pode ser resolvido em tempo polinomial em um computador quântico usando o famoso algoritmo de Shor, mas acredita-se fortemente que requer tempo superpolinomial para cada algoritmo clássico. "

Arunachalam e seus colegas foram os primeiros a construir um problema de classificação com base na suposição de dureza do problema do logaritmo discreto. Interessantemente, eles mostraram que o desempenho alcançado por todas as técnicas clássicas de aprendizado de máquina neste problema é pior ou igual à adivinhação aleatória, o que está longe de ser satisfatório.

"Subseqüentemente, construímos uma função kernel que mapeia esses pontos de dados clássicos em um espaço de recursos de alta dimensão complexo e mostra que o QKE pode resolver esse problema de classificação com precisão muito alta em tempo polinomial, "Disse Arunachalam." Um bônus adicional é que somos capazes de mostrar que essa aceleração quântica existe mesmo se houver ruído de amostragem finito durante as medições, que é uma consideração importante para computadores quânticos de curto prazo e até mesmo tolerantes a falhas. "

Estudos anteriores introduziram vários novos algoritmos quânticos que podem resolver tarefas de classificação mais rapidamente do que as técnicas convencionais de aprendizado de máquina. Contudo, a maioria desses algoritmos exigia fortes suposições de entrada para alcançar resultados promissores ou os pesquisadores não foram capazes de demonstrar rigorosamente sua vantagem sobre as técnicas clássicas de aprendizado de máquina.

"Nosso algoritmo QKE pode ser visto como uma vantagem quântica ponta a ponta para métodos de kernel quântico implementados em um dispositivo tolerante a falhas (com suposições realistas), uma vez que começamos com pontos de dados clássicos e produzimos uma solução clássica para o problema de classificação usando um computador quântico no meio, "Arunachalam disse." Claro, este não é o fim do caminho e, em vez disso, é apenas uma razão para entender melhor os kernels quânticos. "

O trabalho recente desta equipe de pesquisadores fornece uma confirmação de que os métodos do kernel quântico podem ajudar a completar tarefas de classificação de forma mais rápida e eficiente. Em seus estudos futuros, Arunachalam e seus colegas planejam investigar o potencial do uso desses algoritmos para resolver problemas de classificação do mundo real.

"O problema de classificação que usamos para provar essa vantagem é artificialmente construído para fornecer uma base teórica para a utilidade dos núcleos quânticos, "Arunachalam disse." Há espaço para obter mais acelerações quânticas usando métodos de kernel quântico para outros (espero) problemas praticamente relevantes. Acreditamos que nosso resultado seja interessante porque nos fornece uma direção para procurar mais problemas de aprendizagem que podem se beneficiar dos métodos do kernel. Em nosso trabalho futuro, esperamos entender o quão generalizável é a estrutura do nosso problema de classificação e se há acelerações adicionais obtidas usando estruturas semelhantes. "

© 2021 Science X Network