L'acquisition du langage chez les jeunes enfants est apparemment liée à leur capacité à détecter des modèles. Dans leur processus d'apprentissage, ils recherchent des modèles dans l'ensemble de données qui les aident à identifier et à optimiser les structures grammaticales afin d'acquérir correctement la langue. De même, Les traducteurs en ligne utilisent des algorithmes grâce à des techniques d'apprentissage automatique pour optimiser leurs moteurs de traduction afin de produire des résultats bien équilibrés et compréhensibles. Même si de nombreuses traductions n'avaient pas beaucoup de sens au début, ces dernières années, nous avons pu constater des améliorations majeures grâce au machine learning.

Les techniques d'apprentissage automatique utilisent des algorithmes et des outils mathématiques pour rechercher des modèles dans les données. Ces techniques sont devenues des outils puissants pour de nombreuses applications différentes, qui peuvent aller des utilisations biomédicales telles que la reconnaissance du cancer, en génétique et génomique, dans le suivi et le diagnostic de l'autisme et même la chirurgie esthétique, à la physique appliquée pure, pour étudier la nature des matériaux, matière ou même des systèmes quantiques complexes.

Capable de s'adapter et de changer lorsqu'il est exposé à un nouvel ensemble de données, l'apprentissage automatique peut identifier des modèles, surpassant souvent les humains en précision. Bien que l'apprentissage automatique soit un outil puissant, certains domaines d'application restent hors de portée en raison de leur complexité ou d'autres aspects qui excluent l'utilisation des prédictions fournies par les algorithmes d'apprentissage.

Ainsi, dans les années récentes, L'apprentissage automatique quantique est devenu un sujet d'intérêt en raison de son vaste potentiel en tant que solution possible à ces défis insolubles et les ordinateurs quantiques se révèlent être le bon outil pour sa solution.

Dans une étude récente, Publié dans La nature , une équipe internationale de chercheurs intégrée par Jacob Biamonte de Skoltech/IQC, Peter Wittek de l'ICFO, Nicola Pancotti du MPQ, Patrick Rebentrost du MIT, Nathan Wiebe de Microsoft Research, et Seth Lloyd du MIT ont passé en revue l'état actuel de l'apprentissage automatique classique et de l'apprentissage automatique quantique. Dans leur critique, ils ont traité de manière approfondie différents scénarios traitant de l'apprentissage automatique classique et quantique. Dans leur étude, ils ont envisagé différentes combinaisons possibles :la méthode conventionnelle d'utilisation de l'apprentissage automatique classique pour analyser des données classiques, utiliser l'apprentissage automatique quantique pour analyser à la fois des données classiques et quantiques, et enfin, en utilisant l'apprentissage automatique classique pour analyser les données quantiques.

Premièrement, ils visent à donner une vue approfondie de l'état des protocoles d'apprentissage supervisés et non supervisés actuels dans l'apprentissage automatique classique en énonçant toutes les méthodes appliquées. Ils introduisent l'apprentissage automatique quantique et fournissent une approche approfondie sur la façon dont cette technique pourrait être utilisée pour analyser à la fois des données classiques et quantiques, soulignant que les machines quantiques pourraient accélérer les délais de traitement grâce à l'utilisation de recuits quantiques et d'ordinateurs quantiques universels. La technologie de recuit quantique a une meilleure évolutivité, mais des cas d'utilisation plus limités. Par exemple, la dernière itération de la puce supraconductrice de D-Wave intègre deux mille qubits, et il est utilisé pour résoudre certains problèmes d'optimisation difficiles et pour un échantillonnage efficace. D'autre part, les ordinateurs quantiques universels (également appelés à base de portes) sont plus difficiles à mettre à l'échelle, mais ils sont capables d'effectuer des opérations unitaires arbitraires sur des qubits par des séquences de portes logiques quantiques. Cela ressemble à la façon dont les ordinateurs numériques peuvent effectuer des opérations logiques arbitraires sur des bits classiques.

Cependant, ils abordent le fait que le contrôle d'un système quantique est très complexe et que l'analyse de données classiques avec des ressources quantiques n'est pas aussi simple qu'on pourrait le penser, principalement en raison du défi de construire des dispositifs d'interface quantique qui permettent d'encoder des informations classiques sous une forme de mécanique quantique. Des difficultés, tels que les problèmes "d'entrée" ou de "sortie" semblent être le défi technique majeur qui doit être surmonté.

Le but ultime est de trouver la méthode la plus optimisée qui soit capable de lire, comprendre et obtenir les meilleurs résultats d'un ensemble de données, qu'elle soit classique ou quantique. L'apprentissage automatique quantique a bien pour objectif de révolutionner le domaine de l'informatique, non seulement parce qu'il sera capable de contrôler les ordinateurs quantiques, accélérer les vitesses de traitement de l'information bien au-delà des vitesses classiques actuelles, mais aussi parce qu'il est capable de remplir des fonctions innovantes, un tel apprentissage en profondeur quantique, qui pouvait non seulement reconnaître des modèles contre-intuitifs dans les données, invisible à la fois pour l'apprentissage automatique classique et pour l'œil humain, mais aussi les reproduire.

Comme Peter Wittek le déclare enfin, « Rédiger cet article a été tout un défi :nous avions un comité de six co-auteurs avec des idées différentes sur ce qu'est le domaine, où il est maintenant, et où ça va. Nous avons réécrit le papier à partir de zéro trois fois. La version finale n'aurait pu être achevée sans le dévouement de notre éditeur, à qui nous sommes redevables."