Qual è lo scopo di una RAM quantistica negli algoritmi quantistici?

Vedo molti articoli (ad esempio l' analisi dei componenti principali quantistici ) in cui è necessaria l'esistenza di qRAM. Qual è lo scopo reale di qRAM negli algoritmi quantistici?

quantum-memory

— Anton Karazeev
fonte

Ciao, lo preferiamo se un post contiene solo una domanda. Anche i problemi che dovremo affrontare porteranno probabilmente a discussioni / opinioni e non è quindi la migliore domanda per Quantum Computing StackExchange.

— MEE - Ripristina Monica il

@MEE ha sostituito due domande con una.

— Anton Karazeev,

relativi a quantumcomputing.stackexchange.com/q/115/55

— glS

Questo è discusso nel capitolo 5 di Ciliberto et al. .

Lo scopo della maggior parte degli algoritmi di apprendimento automatico quantistico (potenziato) è quello di accelerare l'elaborazione dei dati classici rispetto a ciò che è possibile con gli algoritmi di apprendimento automatico classici . In altre parole, il contesto è che hai una serie di vettori classici e vuoi calcolare alcune funzioni di questi dati (che possono quindi essere usati come stimatore di alcune proprietà o come funzione che caratterizza un classificatore da utilizzare per nuovi punti dati o qualcos'altro). La maggior parte degli algoritmi di apprendimento automatico quantistico te lo dice, a condizione che tu sia in grado di eseguire in modo efficiente la mappatura $\{\boldsymbol x_k\}_k$ $\boldsymbol f(\boldsymbol x_k)$

{X_{K}}_{K} \mapsto | {X_{K}} ⟩ = N \underset{K j}{Σ} X_{K j} | K, j ⟩,

$\{\boldsymbol x_k\}_k\mapsto\lvert \{\boldsymbol x_k\}\rangle= N\sum_{kj} x_{kj}\lvert k,j\rangle,$ quindi a volte è possibile calcolare più efficiente. È, tuttavia, altamente non banale come eseguire tale mappatura in modo efficiente .

f ({x_{k}})

$\boldsymbol f(\{\boldsymbol x_k\})$

Per mantenere le potenziali accelerazioni esponenziali degli algoritmi quantistici, questa conversione deve essere efficiente. In caso contrario, si finisce in una situazione in cui l'algoritmo quantistico può risolvere il problema in modo molto efficiente, ma solo dopo che è stata eseguita una lunga preelaborazione dei dati, uccidendo quindi l'intero punto di utilizzare l'algoritmo quantistico.

È qui che entrano in gioco i QRAM. Un QRAM è un dispositivo che può (teoricamente) codificare vettori -dimensionale classici in (le ampiezze) uno stato quantico di qubit, in tempo . Come discusso in Ciliberto et al. , così come in questa risposta correlata , l'effettiva fattibilità dei QRAM non è ancora del tutto chiara e rimangono molti avvertimenti. $N$ $d$ $\log(Nd)$ $\mathcal O(\log(Nd))$

— gls
fonte