(Phys.org) —Os físicos descobriram que a estrutura de certos tipos de algoritmos de aprendizagem quântica é muito semelhante a suas contrapartes clássicas - uma descoberta que ajudará os cientistas a desenvolver ainda mais as versões quânticas. Algoritmos clássicos de aprendizado de máquina são usados ​​atualmente para realizar tarefas computacionais complexas, como reconhecimento de padrões ou classificação em grandes quantidades de dados, e constituem uma parte crucial de muitas tecnologias modernas. O objetivo dos algoritmos de aprendizado quântico é trazer esses recursos para cenários onde as informações estão em uma forma totalmente quântica.

Os cientistas, Alex Monràs da Universidade Autônoma de Barcelona, Espanha; Gael Sentís da Universidade do País Basco, Espanha, e a Universidade de Siegen, Alemanha; e Peter Wittek do ICFO-The Institute of Photonic Science, Espanha, e a Universidade de Borås, Suécia, publicaram um artigo sobre seus resultados em uma edição recente da Cartas de revisão física .

"Nosso trabalho revela a estrutura de uma classe geral de algoritmos de aprendizagem quântica em um nível muito fundamental, "Sentís disse Phys.org . "Isso mostra que as operações potencialmente muito complexas envolvidas em uma configuração quântica ideal podem ser abandonadas em favor de um esquema operacional muito mais simples, que é análogo ao usado em algoritmos clássicos, e nenhum desempenho é perdido no processo. Essa descoberta ajuda a estabelecer as capacidades finais dos algoritmos de aprendizagem quântica, e abre a porta para a aplicação de resultados-chave na aprendizagem estatística a cenários quânticos. "

Em seu estudo, os físicos se concentraram em um tipo específico de aprendizado de máquina denominado aprendizado supervisionado indutivo. Aqui, o algoritmo recebe instâncias de treinamento das quais extrai regras gerais, e, em seguida, aplica essas regras a uma variedade de instâncias de teste (ou problema), quais são os problemas reais para os quais o algoritmo foi treinado. Os cientistas mostraram que os algoritmos de aprendizado supervisionado indutivo clássico e quântico devem ter essas duas fases (uma fase de treinamento e uma fase de teste) que são completamente distintas e independentes. Enquanto na configuração clássica este resultado segue trivialmente da natureza da informação clássica, os físicos mostraram que, no caso quântico, é uma consequência do teorema quântico de não-clonagem - um teorema que proíbe fazer uma cópia perfeita de um estado quântico.

Ao revelar essa semelhança, os novos resultados generalizam algumas idéias-chave na teoria clássica de aprendizagem estatística para cenários quânticos. Essencialmente, esta generalização reduz protocolos complexos para mais simples sem perder desempenho, tornando mais fácil desenvolvê-los e implementá-los. Por exemplo, um benefício potencial é a capacidade de acessar o estado do algoritmo de aprendizagem entre as fases de treinamento e teste. Com base nesses resultados, os pesquisadores esperam que trabalhos futuros possam levar a uma teoria quântica completa dos limites de risco no aprendizado da estatística quântica.

"Algoritmos de aprendizado quântico supervisionado indutivo serão usados ​​para classificar informações armazenadas em sistemas quânticos de forma automatizada e adaptável, uma vez treinado com sistemas de amostra, "Sentís disse." Eles serão potencialmente úteis em todos os tipos de situações onde a informação é naturalmente encontrada em uma forma quântica, e provavelmente fará parte de futuros protocolos de processamento de informações quânticas. Nossos resultados ajudarão no projeto e no benchmarking desses algoritmos em relação ao melhor desempenho alcançável permitido pela mecânica quântica. "

© 2017 Phys.org