Kuantum makine öğrenimini kullanmanın faydaları nelerdir?
Kuantum makine öğreniminin kullanımlarını araştırıyorum ve birkaç çalışma örneği yaptım (PennyLane kullanan varyasyonel kuantum sınıflandırıcıların varyasyonları). Ancak benim sorunum şu anki klasik makine öğrenimi ile olan ilişkisi. Şu anda (en azından benim testlerimde), QML performansta önemli bir gelişme sağlamıyor gibi görünüyor (klasik bir ağa kıyasla) ve gerçek donanımda çalışırken önemli ölçüde daha yavaş.
Bunun insanların hala keşfetmekte olduğu genç bir alan olduğunu anlıyorum, ancak neden problemler için her zaman klasik bir makine öğrenimi algoritması kullanmayacağınızı merak ediyorum. Bu nedenle sorularım:
- Kuantum makine öğrenimini kullanmanın ne gibi faydaları (veya öngörülen faydaları) var?
- Şu anda çok az fayda var, ancak donanım geliştikçe performans potansiyeli artıyor mu?
- QML'nin klasik ML'den daha iyi performans gösterdiğini öğrenmek beni şaşırtmaz. Benim sorum şu, neden böyle oluyor? Kuantum rejimine geçmek performansı nasıl artırır?
Yanıtlar
Bu kaynaklara göz atın. Gelecekte QML'nin nasıl ortaya çıkabileceğini gösterir, bkz . AI için IBM Q.
Kuantumdan ilham alan algoritmalar söz konusu olduğunda, veri kümesi belirli koşulları karşıladığında, klasik yaklaşımlardan daha iyi olabilir, bkz. Kuantumdan esinlenen algoritmalar pratikte