Diagrama que representa um protocolo de aprendizado quântico genérico. Crédito:Monràs et al. © 2017 American Physical Society
(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