Os cientistas da Skoltech mostraram que o aprendizado de máquina aprimorado quântico pode ser usado em dados quânticos (em oposição aos clássicos), superando uma desaceleração significativa comum a esses aplicativos e abrindo um "terreno fértil para desenvolver insights computacionais em sistemas quânticos". O artigo foi publicado na revista Revisão Física A .

Os computadores quânticos utilizam efeitos da mecânica quântica para armazenar e manipular informações. Embora os efeitos quânticos sejam frequentemente considerados contra-intuitivos, tais efeitos permitirão que cálculos aprimorados quânticos superem dramaticamente os melhores supercomputadores. Em 2019, o mundo viu um protótipo disso demonstrado pelo Google como superioridade computacional quântica.

Algoritmos quânticos foram desenvolvidos para aprimorar uma gama de diferentes tarefas computacionais; mais recentemente, isso cresceu para incluir o aprendizado de máquina aprimorado quântico. O aprendizado de máquina quântico foi parcialmente pioneiro pelo Laboratório de Processamento de Informações Quânticas baseado em residente da Skoltech, liderado por Jacob Biamonte, um coathor deste papel. "As técnicas de aprendizado de máquina se tornaram ferramentas poderosas para encontrar padrões em dados. Os sistemas quânticos produzem padrões atípicos que os sistemas clássicos não acreditam produzir de forma eficiente, portanto, não é surpreendente que os computadores quânticos possam superar os computadores clássicos em tarefas de aprendizado de máquina, " ele diz.

A abordagem padrão para aprendizado de máquina aprimorado quântico tem sido aplicar algoritmos quânticos a dados clássicos. Em outras palavras, os dados clássicos (representados por cadeias de bits de 1 e 0) devem ser armazenados ou representados por um processador quântico antes que os efeitos quânticos possam ser utilizados. Isso é chamado de problema de leitura de dados. A leitura de dados serve para limitar a aceleração possível usando algoritmos de aprendizado de máquina aprimorados quânticos.

Uma equipe de pesquisadores da Skoltech fundiu o aprendizado de máquina aprimorado quântico com simulação aprimorada quântica, aplicando sua abordagem para estudar as transições de fase em problemas magnéticos quânticos de muitos corpos. Ao fazer isso, eles treinam redes neurais quânticas usando apenas estados quânticos como dados. Em outras palavras, os autores contornam o problema de leitura de dados alimentando-se de estados quânticos da matéria. Esses estados parecem geralmente exigir uma quantidade impossível de memória para representar usando abordagens padrão (não quânticas).

O principal autor do estudo, O aluno de doutorado da Skoltech, Alexey Uvarov, descreve o estudo como "um passo para a compreensão do poder dos dispositivos quânticos para o aprendizado de máquina". Os pesquisadores mesclaram uma variedade de técnicas, que incluiu a aplicação de algumas idéias de redes de tensores e teoria de emaranhamento na análise de sua abordagem.

O trabalho usa uma sub-rotina conhecida como autossolvedor quântico variacional (VQE) - um algoritmo que encontra iterativamente uma aproximação do estado fundamental de um determinado hamiltoniano quântico. A saída desta sub-rotina é um conjunto de instruções para preparar um estado quântico em um computador quântico.

Escrevendo o estado explicitamente, no entanto, normalmente requer uma quantidade exponencial de memória, portanto, as propriedades de tal estado são melhor examinadas preparando-o no hardware. O algoritmo de aprendizagem no artigo lida com o seguinte problema:dado um estado VQE resolvendo o problema do estado fundamental para um modelo de spin quântico, descubra a qual das duas fases da matéria esse estado pertence.

"Embora tenhamos focado nossas abordagens em problemas da física da matéria condensada, esses algoritmos aprimorados quânticos aplicam-se igualmente aos desafios enfrentados na ciência dos materiais e na descoberta de medicamentos, "Notas Biamonte.