Quali sono i vantaggi dell'utilizzo del machine learning quantistico?

Aug 18 2020

Ho studiato gli usi dell'apprendimento automatico quantistico e ho fatto alcuni esempi di lavoro (variazioni di classificatori quantistici variazionali che utilizzano PennyLane). Tuttavia, il mio problema ora è la sua relazione con l'apprendimento automatico classico. Al momento (almeno nei miei test), QML sembra non fornire alcun miglioramento significativo nelle prestazioni (rispetto a una rete classica) ed è significativamente più lento quando viene eseguito su hardware reale.

Capisco che questo sia un campo giovane che le persone stanno ancora esplorando, ma sono curioso di sapere perché non dovresti usare sempre un algoritmo ML classico per i problemi. Pertanto, le mie domande sono:

  • Quali vantaggi (o benefici previsti) ci sono utilizzando l'apprendimento automatico quantistico?
  • C'è poco vantaggio ora, ma il potenziale per le prestazioni aumenta quando l'hardware migliora?
  • Non mi sorprenderebbe sapere che ci sono esempi in cui il QML supera il ML classico. Ecco, la mia domanda è: perché è così? In che modo passare a un regime quantistico migliorerebbe le prestazioni?

Risposte

WingCode Aug 18 2020 at 00:48

Dai un'occhiata a queste risorse. Mostra come potrebbe essere QML in futuro, vedi IBM Q per AI .

In caso di algoritmi di ispirazione quantistica, quando il set di dati soddisfa determinate condizioni, potrebbe essere migliore degli approcci classici, vedere gli algoritmi di ispirazione quantistica in pratica