Anar al contingut

Aprenentage automàtic quàntic

De L'Enciclopèdia, la wikipedia en valencià
 S'ha sugerit que est artícul o secció siga fusionat en [[::Aprenentage Automàtic Quàntic|Aprenentage Automàtic Quàntic]] . (Discussió).
Una volta hages realisat la fusió d'artículs, demana la fusió d'historials en WP:TAB/F.
Quatre enfocaments diferents per a combinar les disciplines de computació quàntica i aprenentage automàtic. La primera lletra es referix a si el sistema baix estudi és clàssic o quàntic, mentres que la segona lletra definix si s'utilisa un dispositiu de processament d'informació clàssic o quàntic.

El aprenentage automàtic quàntic (en anglés Quàntum machine learning) és una nova àrea d'investigació interdisciplinar, situada entre la mecànica quàntica i l'informàtica, que suma esforços per a combinar la mecànica quàntica i l'aprenentage automàtic.[1][2] Els algoritmes o models d'aprenentage automàtic quàntic intenten usar les ventages de l'informació quàntica en la finalitat de millorar l'aprenentage automàtic clàssic, per eixemple desenrollant implementacions eficients de pesats algoritmes clàssics per mig de computació quàntica.[3][4] Ademés, l'aprenentage automàtic quàntic inclou també l'aproximació recíproca, aplicant els métodos d'aprenentage automàtic clàssic a la teoria de l'informació quàntica.

Ya en el seu naiximent, l'aprenentage automàtic quàntic va reunir grans expectatives de proporcionar una solució a l'anàlisis de grans volums de senyes utilisant el poder de el "paralelisme" de la computació quàntica.[5] Esta tendència s'ha agudisat gràcies a les recents inversions d'empreses com Google i Microsoft en computació quàntica. No obstant l'aprenentage automàtic quàntic està encara en la seua etapa inicial i necessita majors fonaments teòrics aixina com resultats científics sòlits per a aplegar a ser una disciplina acadèmica. De la mateixa manera que el seu homòlec clàssic, l'aprenentage automàtic quàntic inclou tècniques d'aprenentage supervisat quàntic, aprenentage no supervisat quàntic i aprenentage per reforç quàntic.[6]

Métodos quàntics per a l'aprenentage automàtic

[editar | editar còdic]

Són una série d'idees de com adaptar els métodos clàssics d'aprenentage automàtic als processos de computació quàntica.[7]

Màquines de soport vectorial quàntiques

[editar | editar còdic]

Les màquines de soport vectorial pot ser implementades en un ordenador quàntic usant una combinació d'algoritmes quàntics ya coneguts.[8] En la finalitat de construir el hiperplano que separa el conjunt de senyes per a les tasques de classificació, l'equació llineal per a la formulació dual o de mínims quadrats es resol utilisant un algoritme quàntic per a resoldre equacions llineals.[9] Una tasca important és construir una matriu de densitat les entrades de la qual es corresponen en les de la matriu del núcleu. l'extracció de l'informació de l'estat final pot fer-se a través del anàlisis de components principals quàntic.[10] La classificació d'una nova entrada es porta a terme a través d'un ensaig d'intercanvi. La màquina de soport vectorial quàntic s'eixecuta en temps logarítmic respecte a la dimensió de l'espai de característiques i el número de vectores d'entrenament, mentres que la solució clàssica té una dependència polinòmica.[10] Els primers experiments en màquines de soport vectorial quàntiques ya han segut realisats.[11]

Algoritmes quàntics de agrupamiento i métodos K-nn

[editar | editar còdic]

Els algoritmes d'aprenentage quàntic tals com k-means o el método K-veïns més propencs estan basats en calcular la distància entre els vectores de característiques i la selecció més pròxima (ya siga per a identificar el grup centroide més propenc o els veïns més propencs a un determinat vector de característiques. L'implementació d'estos métodos, basats en la distància en un ordenador quàntic significa en primer lloc trobar una manera de calcular distàncies clàssiques en algoritmes quàntics. Una idea freqüent és amprar la superposició de dos funcions d'ona ⟨ψ|φ⟩cuidadosadament preparades com a mija de la distància entre dos estats quàntics. La distància mínima pot ser trobada per mig del Algoritme de Grover.[12][13] Els algoritmes d'aprenentage automàtic basats en la distància, tals com l'agrupació sense supervisió, poden ser implementats a través de la computació quàntica adiabàtica la qual millora a la computació clàssica de O(Mlog(MN)) per a l'algoritme de Lloyd a O(klog(MN)) (A on M és el número de vectores de senyes N-dimensional i K és el número d'agrupacions).[14]

Rets neuronals quàntiques

[editar | editar còdic]
Artícul principal → Ret neuronal quàntica.


Les rets neuronals quàntiques varen ser inicialment investigades des d'una perspectiva diferent, el paper dels efectes quàntics en els circuits neuronals.[15] No obstant, el debat va passar ràpidament cap a un enfocament purament computacional en versions quàntiques de rets neuronals artificials, les quals juguen un paper important en l'aprenentage automàtic. Una série d'idees sobre models de rets neuronals quàntiques s'han publicat des de llavors.[16][17][18][19][20] Un enfocament interessant per a l'aprenentage automàtic quàntic és el model de memòria associativa quàntica basat en l'algoritme de Grover.[21] No obstant, trobar un método per a entrenar una ret neuronal quàntica és encara una tasca oberta.[22]

En l'arribada de les tecnologies NISQ (Computadors quàntics sorollosos d'escala intermija) s'ha propost reemplaçar la ret neuronal per un circuit quàntic, dit algoritme es coneix com a Aprenentage de circuit quàntic (Quàntum circuit learning), és un algoritme híbrit, utilisa processament de computadors clàssics i quàntics. En una ret neuronal, la funció és aproximada ajustant el paràmetro del pes en cada capa, i el concepte és exactament el mateix en QCL. Es proporcionen senyes d'entrada a un circuit quàntic i s'ajusta iterativamente els paràmetros del circuit per a que el circuit optimisat proporcione l'eixida desijada.[23]

Métodos d'aprenentage automàtic

[editar | editar còdic]

L'aprenentage automàtic quàntic també pot ser usat per als enfocaments que apliquen métodos clàssics d'aprenentage automàtic als problemes de la teoria de l'informació quàntica. Per eixemple, quan els físics experimentals tenen que bregar en informació incompleta d'una font o sistema quàntic, l'estadística bayesiana i els conceptes d'aprenentage algorítmic poden ser fructíferamente aplicats. Açò inclou aproximacions d'aprenentage automàtic per a la classificació de l'estat quàntic[24] l'aprenentage del Hamiltoniano[25] i l'aprenentage d'una transformació unitària.[26][27]

Referències

[editar | editar còdic]
  1. ↑ Maria Schuld, Ilya Sinayiskiy, and Francesco Petruccione (2014) An introduction to quàntum machine learning, Contemporary Physics, DOI: 10.1080/00107514.2014.964942 (preprint avaiable at arXiv:1409.3097)
  2. ↑ Wittek, Peter (2014). Quàntum Machine Learning: What Quàntum Computing Means to Data Mining, Academic Press. ISBN 978-0-12-800953-6.
  3. ↑ see for example, Nathan Wiebe, Ashish Kapoor, and Krysta M. Svorey (2014) Quàntum Algorithms for Nearest-Neighbor Methods for Supervised and Unsupervised Learning, arXiv:1401.2142v2
  4. ↑ Seth Lloyd, Masoud Mohseni, and Patrick Rebentrost (2014) Quàntum algorithms for supervised and unsupervised machine learning, arXiv:1307.0411v2
  5. ↑ «How Quàntum Computers and Machine Learning Will Revolutionize Big Data». WIRED. Consultat el 26 de novembre de 2014.
  6. ↑ Physical Review X.4(3)
    031002.doi:10.1103/PhysRevX.4.031002.Consultat el 2022-02-25.
  7. ↑ For a review, see Maria Schuld, Ilya Sinayiskiy, and Francesco Petruccione (2014) An introduction to quàntum machine learning, Contemporary Physics, DOI: 10.1080/00107514.2014.964942 (upcoming, preprint avaiable at arXiv:1409.3097)
  8. ↑ Patrick Rebentrost, Masoud Mohseni, and Seth Lloyd (2014) Quàntum support vector machine for big data classification, Physical Review Letters 113 130501
  9. ↑ Aram W. Harrow, Avinatan Hassidim and Seth Lloyd (2009) Quàntum Algorithm for Linear Systems of Equations, Physical Review Letters 103 150502
  10. ↑ 10,0 10,1 Seth Lloyd, Masoud Mohseni, and Patrick Rebentrost (2014) Quàntum principal component analysis, Nature Physics 10 pp. 631-633
  11. ↑ Zhaokai Li, Xiaomei Liu, Nanyang Xu,1, and Jiangfeng Du (2014) Experimental Realization of Quàntum Artificial Intelligence, arXiv preprint arXiv:1410.1054v1
  12. ↑ C. Duerr and P. Hoyer (1996), A quàntum algorithm for finding the minimum, arXiv preprint quantph/ 9607014
  13. ↑ Esma Aïmeur, Gilles Brassard, Sébastien Gambs (2013) Quàntum speed-up for unsupervised learning, Machine Learning 90, pp. 261-287
  14. ↑ Seth Lloyd, Masoud Mohseni, and Patrick Rebentrost Quàntum algorithms for supervised and unsupervised machine learning, arXiv preprint arXiv:1307.0411v2
  15. ↑ Kak. «Quàntum neural computing, Advances in Imaging and Electron Physics 94». Sciencedirect.com. Consultat el 26 de novembre de 2014.
  16. ↑ Menneer, T., Narayanan, A. (1995) Quàntum-inspired neural networks. Department of Computer Science, University of Exeter, UK, Technical Report 32
  17. ↑ Altaisky, M.V. (2001) Quàntum neural network. ArXiv quant-ph/0107012
  18. ↑ Zak, M., Williams, C.P. (1998) Quàntum neural nets. International Journal of Theoretical Physics 37(2), pp. 651–684
  19. ↑ Behrman, E.C., Steck, J.E., Skinner, S.R. (1999) A spatial quàntum neural computer. In: International Joint Conference on Neural Networks, IEEE IJCNN’99, Vol. 2, pp. 874–877
  20. ↑ Purushothaman, G., Karayiannis, N.B. (1997) Quàntum neural networks (qnns): inherently fuzzy feedforward neural networks. IEEE Trans. Neural Netw. 8(3), pp. 679–693
  21. ↑ Donen Ventura, and Tony Martinez (2000) Quàntum associative memory, Information Sciences 124 pp. 273-296
  22. ↑ Maria Schuld, Ilya Sinayskiy, Francesco Petruccione (2014) The quest for a Quàntum Neural Network, Quàntum Information Processing, DOI 10.1007/s11128-014-0809-8
  23. ↑ Physical Review A.98(3)
    032309.doi:10.1103/PhysRevA.98.032309.Consultat el 2022-07-10.
  24. ↑ G. Sentıs, J. Calsamiglia, R. Munoz-Tàpia, and E. Bagan (2012) Quàntum learning without quàntum memory, Scientific Reports 2 (708), DOI: 10.1038/srep00708
  25. ↑ Nathan Wiebe, Christopher Granade, Christopher Ferrie, and David Cory (2014) Quàntum Hamiltonian learning using imperfect quàntum resources, Physical Review A 89, 042314
  26. ↑ Alessandro Bisio, Giulio Chiribella, Giacomo Mauro D’Ariano, Stefano Facchini, and Paolo Perinott (2010) Optimal quàntum learning of a unitary transformation, Physical Review A 81, 032324
  27. ↑ Jeongho Bang Junghee Ryu, Seokwon Yoo, Marcin Pawłowski, and Jinhyoung Lee, A strategy for quàntum algorithm design assisted by machine learning, New Journal of Physics 16 (2014) 073017


Referències

[editar | editar còdic]


Obtingut de «https://www.lenciclopedia.org/w/index.php?title=Aprenentage_automàtic_quàntic&oldid=796404»