Dans les années récentes, plusieurs informaticiens et physiciens ont exploré le potentiel des algorithmes d'apprentissage automatique à amélioration quantique. Comme leur nom l'indique, Les approches d'apprentissage automatique quantique combinent des algorithmes quantiques avec des techniques d'apprentissage automatique.

La plupart des chercheurs qui étudient les algorithmes d'apprentissage automatique quantique ont essayé de comprendre s'ils pouvaient résoudre des tâches plus rapidement que les techniques d'apprentissage automatique conventionnelles. L'une des tâches que les algorithmes d'apprentissage automatique sont généralement entraînés à effectuer sont les tâches de classification, comme organiser des images en différentes catégories ou classer avec précision des objets spécifiques ou des créatures vivantes dans une image.

Parmi les algorithmes d'apprentissage automatique qui ont obtenu des résultats prometteurs dans les tâches de classification figurent les méthodes du noyau, qui incluent une technique d'apprentissage supervisé renommée appelée machine à vecteurs de support. Au cours des dernières années, certains scientifiques spécialisés dans les algorithmes quantiques ont ainsi exploré le potentiel des méthodes à noyau quantique, qui ont été introduits pour la première fois par Havlicek et ses collègues d'IBM.

Des chercheurs d'IBM Quantum ont récemment mené une étude sur le potentiel des méthodes de noyau quantique. Leur papier, Publié dans Physique de la nature , démontre que ces méthodes pourraient fournir une accélération quantique robuste par rapport aux méthodes de noyau conventionnelles.

"Malgré la popularité des méthodes du noyau quantique, une question fondamentale est restée sans réponse :les ordinateurs quantiques peuvent-ils utiliser des méthodes de noyau pour fournir un avantage prouvable par rapport aux algorithmes d'apprentissage classiques ?" Srinivasan Arunachalam, l'un des chercheurs qui a mené l'étude, Raconté Phys.org . « Comprendre cette question a été le point de départ de notre travail. Physique de la nature papier, avec mes collaborateurs Yunchao Liu et Kristan Temme, nous avons résolu cette question par l'affirmative.

Dans le cadre de leur étude, Arunachalam et ses collègues ont construit un problème de classification qui pourrait être utilisé pour évaluer rigoureusement les méthodes heuristiques de noyau quantique. En utilisant ce problème comme exemple, ils ont prouvé l'existence d'un algorithme à noyau quantique qui peut classer un ensemble de points beaucoup plus rapidement que les algorithmes classiques lorsqu'il est entraîné sur les mêmes données et implémenté sur une machine à tolérance de panne.

Dans l'approche du noyau quantique envisagée par les chercheurs, un ordinateur quantique intervient pour exécuter tous les calculs de l'algorithme, à l'exception d'une partie spécifique. Lorsqu'on leur donne un ensemble de points de données classiques, telles que des chaînes de bits générées par un ordinateur classique, l'approche du noyau quantique les mappe dans un espace de dimension supérieure, où les ordinateurs quantiques peuvent trouver des modèles dans les données et extraire des caractéristiques caractéristiques, en utilisant une technique appelée estimation du noyau quantique (QKE).

"Afin d'utiliser cette technique pour une séparation entre les noyaux quantiques et classiques, notre point de départ est un problème bien connu qui est souvent utilisé pour séparer l'informatique classique et quantique, le problème du logarithme discret, ", a déclaré Arunachalam. "Ce problème peut être résolu en temps polynomial sur un ordinateur quantique en utilisant le célèbre algorithme de Shor, mais on pense fortement qu'il nécessite un temps superpolynomial pour chaque algorithme classique."

Arunachalam et ses collègues ont été les premiers à construire un problème de classification basé sur l'hypothèse de dureté du problème du logarithme discret. De façon intéressante, ils ont montré que les performances obtenues par toutes les techniques d'apprentissage automatique classiques sur ce problème sont pires ou égales à des devinettes aléatoires, ce qui est loin d'être satisfaisant.

"Ensuite, nous avons construit une fonction noyau qui mappe ces points de données classiques sur un espace de caractéristiques complexe de grande dimension et montrons que QKE peut résoudre ce problème de classification avec une très haute précision en temps polynomial, " a déclaré Arunachalam. " Un bonus supplémentaire est que nous sommes en mesure de montrer que cette accélération quantique existe même s'il y a un bruit d'échantillonnage fini lors de la prise de mesures, ce qui est une considération importante pour les ordinateurs quantiques à court terme et même tolérants aux pannes."

Des études antérieures ont introduit plusieurs nouveaux algorithmes quantiques qui pourraient résoudre les tâches de classification plus rapidement que les techniques conventionnelles d'apprentissage automatique. Cependant, la plupart de ces algorithmes nécessitaient de fortes hypothèses d'entrée pour obtenir des résultats prometteurs ou les chercheurs n'ont pas été en mesure de démontrer de manière rigoureuse leur avantage par rapport aux techniques classiques d'apprentissage automatique.

"Notre algorithme QKE peut être considéré comme un avantage quantique de bout en bout pour les méthodes de noyau quantique implémentées sur un dispositif tolérant aux pannes (avec des hypothèses réalistes), puisque nous commençons avec des points de données classiques et produisons une solution classique pour le problème de classification en utilisant un ordinateur quantique au milieu, " dit Arunachalam. " Bien sûr, ce n'est pas la fin de la route et c'est plutôt une raison pour mieux comprendre les noyaux quantiques."

Les récents travaux de cette équipe de chercheurs confirment que les méthodes de noyau quantique pourraient aider à effectuer des tâches de classification plus rapidement et plus efficacement. Dans leurs futures études, Arunachalam et ses collègues prévoient d'étudier le potentiel d'utilisation de ces algorithmes pour résoudre les problèmes de classification du monde réel.

"Le problème de classification que nous avons utilisé pour prouver cet avantage est construit artificiellement pour fournir un fondement théorique à l'utilité des noyaux quantiques, " a déclaré Arunachalam. " Il est possible d'obtenir d'autres accélérations quantiques en utilisant des méthodes de noyau quantique pour d'autres problèmes (espérons-le) pertinents dans la pratique. Nous pensons que notre résultat est intéressant car il nous fournit une direction pour rechercher plus de problèmes d'apprentissage pouvant bénéficier des méthodes du noyau. Dans nos futurs travaux, nous espérons comprendre à quel point la structure de notre problème de classification est généralisable et s'il existe d'autres accélérations pouvant être obtenues en utilisant des structures similaires. »

© 2021 Réseau Science X