Qual è il vantaggio del machine learning quantistico rispetto al machine learning tradizionale?
Perché esattamente l'apprendimento automatico sui computer quantistici è diverso dall'apprendimento automatico classico? C'è una differenza specifica che consente al machine learning quantistico di superare il machine learning classico?
Risposte
Potenzialmente, lo stesso vantaggio che il calcolo quantistico può fornire rispetto al calcolo classico. Con " apprendimento automatico quantistico ", nel modo in cui sembra che tu stia usando il termine qui, le persone di solito si riferiscono ad algoritmi quantistici sviluppati per risolvere compiti solitamente gestiti dall'apprendimento automatico, cioè, in parole molto approssimative, compiti di riconoscimento di schemi (sebbene nel quantum nella categoria sono inclusi anche gli algoritmi dei casi finalizzati a eseguire operazioni di algebra lineare).
Proprio come ci sono compiti per i quali gli algoritmi quantistici sono noti, o promettono di fornire miglioramenti rispetto ai computer classici, si pensi a Grover o Shor, si può sperare che i compiti di riconoscimento dei modelli possano essere velocizzati allo stesso modo. Questo è più o meno lo scopo dell'apprendimento automatico quantistico, spesso indicato anche come "apprendimento automatico potenziato quantistico" in questo contesto, per distinguerlo dalle applicazioni dell'apprendimento automatico classico ai compiti di informazione quantistica, che è un campo di studio completamente diverso.
Vedi anche questa domanda e i link in essa contenuti.
Come spesso accade, e specialmente nelle aree di ricerca giovani, la risposta dipende molto da come si scompone la domanda. Fammi provare alcuni esempi:
La meccanica quantistica cambia ciò che è teoricamente apprendibile?
Un bel documento è questo riferimento che afferma alcuni risultati complessi in parole piuttosto chiare. Di nuovo, dipende molto da ciò che definisci come "apprendimento". Nel complesso, le accelerazioni esponenziali nel numero di campioni di dati sembrano non essere possibili in molti contesti, ma accelerazioni esponenziali della complessità temporale molto ben possibili.
Quali accelerazioni computazionali asintotiche possono fornire il calcolo quantistico per l'apprendimento automatico?
Probabilmente l'approccio più studiato qui è quello di esternalizzare subroutine di algebra lineare come l'inversione di matrice o la decomposizione di valori singolari ai computer quantistici. Queste subroutine compaiono ad esempio nell'ottimizzazione convessa utilizzata nella regressione lineare o nei metodi kernel.
La ricerca sull'informatica quantistica è tradizionalmente molto focalizzata sulle accelerazioni esponenziali , che sono state rivendicate in molti articoli sull'apprendimento automatico quantistico. Ma si basano su molte ipotesi su come caricare i dati in un computer quantistico e su come elaborare i risultati. Le ipotesi richiedono una profonda conoscenza tecnica per essere comprese, e non è sempre chiaro quanto siano buoni i metodi classici in questo caso. Ad esempio, l'algoritmo quantistico potrebbe richiedere una matrice di dati sparsa per un aumento esponenziale della velocità rispetto al metodo classico vanigliato, ma sotto questo presupposto esiste un altro metodo classico che è anche molto più veloce. Alcuni algoritmi quantistici sono stati da allora " de-quantizzati ", che è un eufemismo per "trovato per non fornire realmente una velocità esponenziale se le stesse ipotesi sono imposte agli algoritmi classici".
Gli algoritmi quantistici standard possono spesso darti una velocità quadratica per il campionamento e problemi di ricerca non strutturati. Ma i metodi classici sono piuttosto veloci nel campionamento euristico in primo luogo (si pensi alla divergenza contrastiva), e i problemi di ricerca sono così vasti che un aumento di velocità quadratico non li rende nemmeno trattabili.
I calcoli quantistici possono dare origine a modelli di apprendimento automatico che si generalizzano bene?
La maggior parte del lavoro sull'apprendimento automatico quantistico a breve termine, ovvero il QML che utilizza dispositivi piccoli e rumorosi che sono gli attuali "prototipi" dei computer quantistici, è interessato a quali modelli danno origine in modo molto naturale ai computer quantistici. Sembrano reti neurali? O come qualcos'altro? Sono buoni generalizzatori? Possono essere addestrati in modo efficiente?
Ovviamente, gli aumenti di velocità sono importanti qui per: se troviamo un modello quantistico potente, ma facile da simulare in modo classico, non è necessario il computer quantistico in primo luogo (tuttavia, un computer quantistico potrebbe essere solo l'hardware più veloce in assoluto termini per elaborare tali modelli, e quindi ancora vantaggiosi). Ma molto più importante è mostrare che il modello quantistico generalizza bene.
Questo tipo di ricerca, molto guidato da circuiti quantistici "variazionali" o "addestrabili" o "parametrizzati" ottimizzati con le consuete tecniche classiche di apprendimento profondo , ha solo poche risposte alla domanda dei vantaggi quantistici. Tuttavia, ci sono indizi interessanti: i modelli quantistici di questo tipo sono calcoli di algebra lineare matematicamente parlando applicati a dati mappati negli spazi di Hilbert molto grandi dei sistemi quantistici. Sono anche modulari e addestrabili come le reti neurali.
Se si accetta che i computer quantistici siano strettamente parlando più potenti dei computer classici, il modello quantistico potrebbe in linea di principio esprimere una classe più ampia di funzioni. Ma come utilizzare questo potenziale vantaggio nella progettazione di un algoritmo quantistico concreto è molto difficile da sottolineare e non "dato automaticamente". Ad esempio, si può dimostrare che certi modi per codificare i dati in un computer quantistico danno ai modelli quantistici l'accesso solo a classi di funzioni molto banali, ed è improbabile che imparino qualcosa di interessante.
Uno dei motivi per cui si tratta di un'area di ricerca estremamente impegnativa (ma molto interessante) è questo: se l'obiettivo è costruire potenti generalizzatori, ma le basi teoriche della generalizzazione sono scarsamente comprese anche nell'apprendimento automatico classico, ei nostri dispositivi attuali sono troppo piccoli e rumoroso per eseguire benchmark empirici significativi, come si può effettivamente dimostrare che il modello quantistico ha un vantaggio? In altre parole, è necessario molto lavoro anche per trovare un quadro di indagine soddisfacente per la domanda "i modelli quantistici sono modelli di apprendimento automatico migliori?"
Quindi, nel complesso, direi come ogni campo di ricerca decente, l'arte è riformulare la domanda fino a quando non possiamo rispondere - a quel punto la risposta è solitamente difficile da capire per i non esperti.