Kvantmaskininlärning är en gren av vetenskapen i skärningspunkten mellan kvantfysik och datavetenskap , där maskininlärningsmetoder utvecklas och studeras som effektivt kan använda kvantdatorernas parallellitet .
Det finns tre huvudinlärningsmodeller som används i kvantmaskininlärning:
I denna modell är målet med lärandet att hitta en funktion som matchar den okända funktionen så nära som möjligt. Samtidigt är det möjligt att göra frågor och få exakta svar om värdet av den okända funktionen för olika värden av argumenten. Kvantalgoritmernas effektivitet i förhållande till klassiska i detta fall beror på hur inlärningseffektiviteten mäts. Om måttet på effektivitet är antalet gjorda förfrågningar, så går kvantalgoritmerna om de klassiska endast polynomiskt, men om måttet på effektiviteten är inlärningstiden, så finns det klasser av funktioner för vilka kvantalgoritmer är mycket snabbare än klassiska, förutsatt att det är möjligt att implementera kvantfrågor (det vill säga frågor som är i kvantöverlagring av klassiska frågor).
Denna modell söker också efter den funktion som bäst matchar den okända funktionen, men det finns ingen möjlighet att göra frågor. Istället finns det en uppsättning prover. Matematiskt är målet att anta den okända funktionen som bäst passar den okända funktionen på en given uppsättning prover. Skillnaden mellan kvant-PAC-inlärning och klassisk inlärning är att dessa prover, generellt sett, kan vara i ett tillstånd av kvantöverlagring. I det allmänna fallet ger detta dock ingen signifikant vinst, och kvantalgoritmen skiljer sig i hastighet från den klassiska endast genom någon konstant faktor. Det finns dock en viss klass av okända funktioner för vilka kvant-PAC-inlärning är mycket snabbare än klassisk inlärning.
I denna modell, givet en sekvens av n bitar, är uppgiften att hitta en hypotes som bäst förutsäger n + 1 bitar. Precis som i PAC-modellen är kvantalgoritmer här i allmänhet inte mycket snabbare än klassiska.
Rötterna till kvantmaskininlärning ligger i två stora grenar av teoretisk datavetenskap som växte fram nästan samtidigt på 1980-talet: maskininlärning och kvantdatavetenskap . Det första arbetet som försökte använda kvanteffekter för att förbättra metoder för maskininlärning var Nader Bshuti och Jeffrey Jacksons arbete 1999 [1] , där de föreslog användningen av så kallade kvantprover för inlärning, det vill säga prover som är i ett tillstånd av kvantöverlagring av flera klassiska prover.
På 2000-talet föreslogs även kvantalgoritmer för att lösa några typiska maskininlärningsproblem. Till exempel, 2006 [2] föreslogs en variant av Grovers algoritm för klustringsproblemet .