Cientistas da informação quântica introduziram um novo método para classificações de aprendizado de máquina em computação quântica. Os kernels quânticos não lineares em um classificador binário quântico fornecem novos insights para melhorar a precisão do aprendizado de máquina quântica, considerado capaz de superar a atual tecnologia de IA.

A equipe de pesquisa liderada pelo professor June-Koo Kevin Rhee da Escola de Engenharia Elétrica, propôs um classificador quântico baseado na fidelidade do estado quântico usando um estado inicial diferente e substituindo a classificação de Hadamard por um teste de troca. Ao contrário da abordagem convencional, espera-se que esse método aprimore significativamente as tarefas de classificação quando o conjunto de dados de treinamento é pequeno, explorando a vantagem quântica em encontrar recursos não lineares em um grande espaço de recursos.

O aprendizado de máquina quântico é uma promessa como um dos aplicativos essenciais para a computação quântica. No aprendizado de máquina, um problema fundamental para uma ampla gama de aplicações é a classificação, uma tarefa necessária para reconhecer padrões em dados de treinamento rotulados, a fim de atribuir um rótulo a novos, dados não vistos anteriormente; e o método kernel tem sido uma ferramenta de classificação inestimável para identificar relacionamentos não lineares em dados complexos.

Mais recentemente, o método do kernel foi introduzido no aprendizado de máquina quântica com grande sucesso. A capacidade dos computadores quânticos de acessar e manipular dados com eficiência no espaço de recursos quânticos pode abrir oportunidades para que as técnicas quânticas aprimorem vários métodos de aprendizado de máquina existentes.

A ideia do algoritmo de classificação com um kernel não linear é que, dado um estado de teste quântico, o protocolo calcula a soma de potência ponderada das fidelidades de dados quânticos em paralelo quântico por meio de um circuito de teste de troca seguido por duas medições de qubit único (consulte a Figura 1). Isso requer apenas um pequeno número de operações de dados quânticos, independentemente do tamanho dos dados. A novidade dessa abordagem reside no fato de que os dados de treinamento rotulados podem ser compactados em um estado quântico e depois comparados aos dados de teste.

A equipe KAIST, em colaboração com pesquisadores da Universidade de KwaZulu-Natal (UKZN) na África do Sul e Data Cybernetics na Alemanha, avançou ainda mais no campo de rápida evolução do aprendizado de máquina quântica, introduzindo classificadores quânticos com núcleos quânticos personalizados.

Os dados de entrada são representados por dados clássicos por meio de um mapa de características quânticas ou dados quânticos intrínsecos, e a classificação é baseada na função kernel que mede a proximidade dos dados de teste aos dados de treinamento.

Dr. Daniel Park da KAIST, um dos principais autores desta pesquisa, disse que o kernel quântico pode ser adaptado sistematicamente a uma soma de poder arbitrária, o que o torna um excelente candidato para aplicações do mundo real.

O professor Rhee disse que a bifurcação quântica, uma técnica que foi inventada pela equipe anteriormente, torna possível iniciar o protocolo do zero, mesmo quando todos os dados de treinamento rotulados e os dados de teste são codificados independentemente em qubits separados.

O professor Francesco Petruccione do UKZN explicou, "A fidelidade de dois estados quânticos inclui as partes imaginárias das amplitudes de probabilidade, que permite o uso de todo o espaço de recursos quânticos. "

Para demonstrar a utilidade do protocolo de classificação, Carsten Blank, da Data Cybernetics, implementou o classificador e comparou as simulações clássicas usando o computador quântico IBM de cinco qubit que está disponível gratuitamente para usuários públicos por meio do serviço em nuvem. “Este é um sinal promissor de que o campo está progredindo, "Em branco anotado.