Квантовое машинное обучение — раздел науки на стыке квантовой физики и информатики, в котором разрабатываются и изучаются методы машинного обучения, способные эффективно задействовать параллелизм квантовых компьютеров.
В квантовом машинном обучении применяются три основные модели обучения:
В этой модели целью обучения является поиск функции как можно более точно соответствующей неизвестной функции. При этом имеется возможность делать запросы и получать точные ответы о значении неизвестной функции для различных значений аргументов. Эффективность квантовых алгоритмов по отношению к классическим в этом случае зависит от того, как измеряется эффективность обучения. Если мерой эффективности является количество сделанных запросов, то квантовые алгоритмы обгоняют классические лишь полиномиально, однако если мера эффективность — время обучения, то существуют такие классы функций, для которых квантовые алгоритмы значительно быстрее классических при условии возможности осуществления квантовых запросов (то есть запросов, находящихся в квантовой суперпозиции классических запросов).
В этой модели также ищется функция, наиболее точно соответствующая неизвестной функции, однако возможность делать запросы отсутствует. Вместо этого имеется некий набор образцов. Математически целью является выдвижение такой гипотезы о неизвестной функции, которая наилучшим образом соответствует неизвестной функции на данном наборе образцов. Отличием квантового PAC-обучения от классического является то, что данные образцы, вообще говоря, могут находиться в состоянии квантовой суперпозиции. В общем случае, это, однако, не даёт значительного выигрыша, и квантовый алгоритм отличает по скорости от классического лишь на некоторый постоянный фактор. Существует, правда, некоторый класс неизвестных функций, для которого квантовое PAC-обучение значительно быстрее классического.
В этой модели дана последовательность из n бит и задачей является поиск гипотезы, наилучшим образом предсказывающая n+1 бит. Так же, как и в PAC-модели квантовые алгоритмы здесь оказываются в общем случае ненамного быстрее классических.
Корни квантового машинного обучения лежат в двух крупных направлениях теоретической информатики, возникших практически одновременно в 1980-х годах: машинном обучении и квантовой информатики. Первой работой, попытавшейся задействовать квантовые эффекты для улучшения методов машинного обучения стала работа Надера Бшути и Джеффри Джексона 1999 года[1], в которой они предложили использовать для обучения так называемые квантовые выборки, то есть выборки, находящиеся в состоянии квантовой суперпозиции нескольких классических выборок.
В 2000-х годах были предложены и квантовые алгоритмы для решения некоторых типичных задач машинного обучения. Например, в работе 2006 года[2] был предложен вариант алгоритма Гровера для задачи кластеризации.
Данная страница на сайте WikiSort.ru содержит текст со страницы сайта "Википедия".
Если Вы хотите её отредактировать, то можете сделать это на странице редактирования в Википедии.
Если сделанные Вами правки не будут кем-нибудь удалены, то через несколько дней они появятся на сайте WikiSort.ru .