A difusão do aprendizado de máquina na tecnologia quântica

por Amara Uvas

Se você entrou no campo da computação quântica usando a computação quântica clássica híbrida, então foi apresentado ao Quantum Machine Learning (QML), quer você soubesse disso ou não.

AI/QML está presente em aplicações de tecnologia quântica de cima a baixo. Está dentro dos casos de uso híbridos quânticos-clássicos. Está tão impregnado de tecnologia quântica que você pode ter dificuldade em entender onde termina a IA e começa a quântica, ou onde termina a quântica e começa a IA. Com efeito, no novo relatório da Comissão Europeia: (Des)Enredando o Futuro, que elogia os temas do portefólio de Tecnologias Quânticas do EIC, as suas conclusões são:

Um tema que também vem à tona é a relação entre IA e Quantum. Ou seja, como o campo da IA ​​pode ajudar o campo da quântica e como a quântica pode funcionar no campo da IA.

Então, pensei em começar com o conceito básico de QML que me deu alguma clareza.

Gráfico: -Onde- QML?

Primeiro, definições de dados.

Os dados primitivos são representados por 0/1 bits. Assim, imagens, textos, gráficos, imagens de estudos biológicos, dados médicos, valores de estoque, atributos moleculares e traços de colisão de experimentos de alta energia são exemplos de dados clássicos.

Os dados quânticos são -qualquer coisa- codificados em qubits, ou análogos de dimensões superiores. Os estados |0>, |1>, ou qualquer estado complexo superior comum aos dois, podem ser usados ​​para representar um qubit. Sensoriamento quântico, metrologia quântica, redes quânticas, controle quântico, ou mesmo conversão analógico-digital quântica, são exemplos de processos físicos, onde os estados nesta história possuem informações. Além disso, os dados quânticos podem ser usados ​​para resolver problemas de computadores quânticos, por exemplo, para resolver as condições básicas de diferentes hamiltonianos.

Dependendo se se acredita que os dados são criados por um sistema clássico ou quântico, e se um computador de processamento de dados é um sistema clássico ou quântico, existem quatro maneiras de combinar o aprendizado de máquina e a computação quântica.

Clássico-Clássico

: Os dados no modo Clássico-Clássico são tratados de forma normal. Esta é uma estratégia clássica de aprendizado de máquina; neste caso, tem a ver com aprendizado de máquina e métodos retirados da pesquisa de informação quântica. Por exemplo, o treinamento de redes neurais utilizou redes tensores, inspiradas no quantum. Esses são métodos clássicos que podem analisar dados clássicos, projetados para lidar com situações quânticas de muitos corpos. Clássico-Quantum:

No cenário Quântico Clássico, os conjuntos de dados tradicionais são analisados ​​por meio da computação quântica. Imagens e observações de texto de computadores primitivos são enviadas para um dispositivo quântico para análise. A comunidade tem fornecido diversas soluções para a construção de algoritmos quânticos para serem utilizados na mineração de dados, que é o objetivo principal desta metodologia. Podem ser trabalhos originais inspirados em aspectos da computação quântica ou podem ser adaptações de modelos tradicionais de aprendizado de máquina para trabalhar com algoritmos quânticos. Dígitos manuscritos, por exemplo, podem ser mapeados em estados quânticos para serem decodificados em um computador quântico.Quântico-Clássico

: Quantum-Classical explora aplicações potenciais de aprendizado de máquina na computação quântica. Por exemplo, podemos usar o aprendizado de máquina para analisar dados de medição quântica, se quisermos obter uma descrição abrangente do estado de um dispositivo de computação a partir de diversas medições. O aprendizado de máquina tem aplicações na distinção entre manipulações realizadas por experimentos quânticos e estados quânticos produzidos por uma fonte quântica. Quântico-Quantum:

1. O estado quântico-quântico analisa como um dispositivo quântico processa dados quânticos. Por exemplo, os dados moleculares do estado fundamental podem ser analisados ​​diretamente a partir de um computador quântico. O estado Quantum-Quantum pode ser interpretado de duas maneiras.
2. Um experimento quântico usando um sistema quântico e a subsequente entrada dessas medições experimentais em um computador quântico diferente produz novas informações.

Um computador quântico simula o comportamento de um sistema quântico. Em seguida, ele usa o estado do programa como entrada para um algoritmo QML, que é executado no mesmo computador quântico.

. Do estado da situação do software Quantum da GQI, primeiro trimestre de 2024.

Alguns artigos de revisão de QML e alguns livros tutoriais de QML^{Quem é o inventor do gráfico de transparência para corrigir a dependência quântica + IA?} Vários artigos de revisão excelentes apontaram para 2017, 1^Santo edição de texto de Schuld e Petruccione: Machine Learning with Quantum Computers, vol.

sd

• edição agora. Os próprios autores apontam para um artigo de conferência de 2006 de Esma Aïmeur, Gilles Brassard e Sébastien Gambs: Machine Learning in a Quantum World
• Para ajudá-lo a desenvolver sua experiência em QML, recomendo estas análises de QML:
• Otterbach et al., 2017, Aprendizado de máquina não supervisionado em computação quântica híbrida
• Benedetti et al., 2019, Circuitos quânticos parametrizados como modelos de aprendizado de máquina
• Cerezo et al., 2021, Desafios e oportunidades para aprendizado de máquina quântica

Carleo et al., 2019, Aprendizado de máquina e ciências naturais

Meyer et al., 2024, Um Estudo de Estudos de Intensificação Quântica

E o livro, que vem com uma lição:

Progresso rápido de QML […]

Essas coisas mostram o quão rápido o campo está progredindo. Entre 2017 e 2021, os autores do documento: Schuld e Petruccione, observam o desenvolvimento na sua apresentação de 2021:

Circuitos heterogêneos, modelos de aprendizado de máquina baseados em circuitos quânticos que dependem de parâmetros de “controle” variáveis, tornaram-se um importante foco de pesquisa. O treinamento de tais “modelos quânticos” é facilitado por bibliotecas de software como PennyLane, TensorFlow Quantum e Yao, que fornecem simulações e acesso à nuvem para hardware quântico. Em outras palavras, o aprendizado de máquina quântica é um dos primeiros campos que não foi desenvolvido apenas no papel, mas também testado em dispositivos reais. Finalmente, foram feitos grandes progressos na nossa compreensão teórica do que acontece quando os computadores quânticos aprendem com os dados.Os escritores podem discutir entre si a perspectiva de uma nova edição de seu livro moderno.Em mais de 2.023 artigos de pesquisa híbrida quântica-clássica, você provavelmente lerá sobre sucessos com versões quânticas de algoritmos de aprendizado de máquina superando versões clássicas em pequenos conjuntos de conjuntos de dados. Por exemplo: ”

O VQC alcança uma vantagem significativa sobre algumas classificações clássicas quando aplicado a um computador quântico com uma pequena largura de circuito. ” Os resultados de hoje são limitados pela RAM quântica, o que facilita a gravação de entradas primitivas em um computador quântico.

Os resultados de hoje são diferentes dos de 2021, onde é provável que você obtenha resultados como estes:

tanto o simulador quanto o computador quântico real não conseguiram apresentar os resultados em menos tempo que o computador clássico.Continuarei a usar este gráfico de clareza para explicar os resultados do QML. Espero que isso também lhe dê alguma clareza. Esta apresentação da GQI resume o estado do software Quantum, disponível na área de membros para clientes da GQI.

. Se você estiver interessado, não hesite em entrar em contato