Risponderò solo alla parte della domanda su come la meccanica quantistica può essere utile per l'analisi dei dati classici attraverso l'apprendimento automatico. Ci sono anche lavori relativi all '"intelligenza quantistica", ma questo è un tipo di cosa molto più speculativo (e meno definito), che non voglio approfondire.
Quindi, i computer quantistici possono essere utilizzati per accelerare l'analisi dei dati tramite algoritmi di apprendimento automatico ? Citando Scott Aaronson's Leggi la stampa fine , è una domanda semplice con una risposta complicata .
Va prima di tutto notato che cercare di rispondere a questo tipo di domanda è una grande parte di ciò che riguarda l'area di ricerca di Quantum Machine Learning (più recentemente, i termini di machine learning con miglioramento quantistico o machine learning con assistenza quantistica sembrano essere preferiti fare riferimento a questa fusione tra QM e ML, per distinguerlo dall'uso di ML per aiutare a risolvere i problemi in QM). Come puoi vedere dalla pagina di Wikipedia, ci sono molte cose in corso nel campo, e sarebbe inutile provare a dare un elenco completo di documenti pertinenti qui, poiché sarebbe obsoleto rapidamente.
Citando da Schuld et al. 2014 , l'idea alla base del Quantum-Assisted Machine Learning (QAML) è la seguente:
Poiché il volume di dati archiviati a livello globale aumenta di circa il 20% ogni anno (attualmente nell'ordine di diverse centinaia di exabyte [1]), aumenta la pressione per trovare approcci innovativi all'apprendimento automatico. Un'idea promettente che è attualmente studiata dal mondo accademico e nei laboratori di ricerca delle principali società IT sfrutta il potenziale del calcolo quantistico al fine di ottimizzare gli algoritmi di apprendimento automatico classico.
Tornando alla tua domanda, una prima risposta apparentemente positiva è stata fornita da Harrow et al. Il 2009 , che ha fornito un algoritmo quantico efficiente per invertire il sistema lineare di equazioni (in una serie di condizioni sul sistema), funzionando quando i dati sono memorizzati in stati quantistici. Trattandosi di un'operazione algebra lineare fondamentale, la scoperta ha portato a molti algoritmi quantistici proposti per risolvere i problemi di apprendimento automatico di alcuni degli stessi autori ( 1307.0401 , 1307.0411 , 1307.0471 ), nonché di molti altri. Ora ci sono molte recensioni che puoi dare un'occhiata per ottenere elenchi di riferimenti più completi, come 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , il libro di Peter Wittek e probabilmente altro.
Tuttavia, è tutt'altro che stabilito come questo funzionerebbe nella pratica. Alcuni dei motivi sono ben spiegati nel documento di Aaronson: Leggi la stampa fine (vedi anche la versione pubblicata: nphys3272 ). In termini molto approssimativi, il problema è che gli algoritmi quantistici generalmente gestiscono i "dati" come memorizzati negli stati quantistici, spesso codificando i vettori nelle ampiezze dello stato. Questo è, ad esempio, il caso di QFT , ed è ancora il caso di HHL09 e delle opere derivate.
Il grosso problema (o uno dei maggiori problemi) è che è tutt'altro che ovvio come si possano caricare in modo efficiente i "grandi" dati classici in questo stato quantico per l'elaborazione. La risposta tipica a questo è "non ci resta che usare un qRAM ", ma ciò comporta anche molti avvertimenti, poiché questo processo deve essere molto veloce per mantenere l'accelerazione esponenziale che ora possiamo ottenere una volta che i dati sono in forma quantistica. Mi riferisco nuovamente al documento di Aaronson per ulteriori dettagli sugli avvertimenti.