Quels sont les avantages de l'utilisation de l'apprentissage automatique quantique?

Question

J'ai étudié les utilisations de l'apprentissage automatique quantique et j'ai fait quelques exemples de travail (variations de classificateurs quantiques variationnels utilisant PennyLane). Cependant, mon problème maintenant est sa relation avec l'apprentissage automatique classique. Pour le moment (au moins dans mes tests), QML ne semble pas apporter une amélioration majeure des performances (par rapport à un réseau classique) et est nettement plus lent lorsqu'il fonctionne sur du matériel réel.

Je comprends que c'est un domaine jeune que les gens explorent encore, mais je suis curieux de savoir pourquoi vous n'utiliseriez pas toujours un algorithme de ML classique pour les problèmes. Par conséquent, mes questions sont:

• Quels sont les avantages (ou bénéfices prévus) de l’apprentissage automatique quantique?
• Y a-t-il peu d'avantages maintenant, mais le potentiel de performances augmente lorsque le matériel s'améliore?
• Cela ne me surprendrait pas d'apprendre qu'il existe des exemples où QML surpasse le ML classique. Ici, ma question est pourquoi est-ce le cas? Comment le passage à un régime quantique améliorerait-il les performances?

Answer 1

Consultez ces ressources. Il montre comment QML pourrait se révéler à l'avenir, voir IBM Q for AI .

Dans le cas d'algorithmes d'inspiration quantique, lorsque l'ensemble de données remplit certaines conditions, cela pourrait être mieux que les approches classiques, voir Algorithmes d'inspiration quantique en pratique