Я отвечу только на часть вопроса о том, как квантовая механика может быть полезна для анализа классических данных с помощью машинного обучения. Есть также работы, связанные с «квантовым ИИ», но это гораздо более умозрительная (и менее определенная) вещь, в которую я не хочу вдаваться.
Итак, можно ли использовать квантовые компьютеры для ускорения анализа данных с помощью алгоритмов машинного обучения ? Цитата Скотта Ааронсона Прочитайте мелкий шрифт , это простой вопрос со сложным ответом .
Прежде всего следует отметить, что попытка ответить на этот вопрос является большой частью того, что представляет собой область исследования квантового машинного обучения (в последнее время предпочтение отдается терминам квантовое машинное обучение или машинное обучение с квантовой поддержкой). сослаться на это слияние QM и ML, чтобы отличить его от использования ML для решения проблем в QM). Как вы можете видеть на странице Википедии, в этой области происходит много вещей, и было бы бессмысленно пытаться дать здесь полный список соответствующих статей, поскольку они быстро устаревают.
Цитирование из Schuld et al. В 2014 году идея квантового машинного обучения (QAML) заключается в следующем:
Поскольку объем глобально хранимых данных растет примерно на 20% каждый год (в настоящее время он составляет порядка нескольких сотен эксабайт [1]), усиливается необходимость поиска инновационных подходов к машинному обучению. Многообещающая идея, которая в настоящее время исследуется научными кругами, а также в исследовательских лабораториях ведущих ИТ-компаний, использует потенциал квантовых вычислений для оптимизации классических алгоритмов машинного обучения.
Возвращаясь к вашему вопросу, первый, казалось бы, положительный ответ дал Harrow et al. 2009 , который дал эффективный квантовый алгоритм для инвертирования линейной системы уравнений (при ряде условий над системой), работающий, когда данные хранятся в квантовых состояниях. Поскольку это фундаментальная операция линейной алгебры, открытие привело ко многим предложенным квантовым алгоритмам для решения задач машинного обучения как одних и тех же авторов ( 1307.0401 , 1307.0411 , 1307.0471 ), так и многих других. В настоящее время существует множество обзоров, на которые вы можете взглянуть, чтобы получить более полные списки ссылок, например 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , книга Питера Виттека и , вероятно, больше.
Однако далеко не установлено, как это будет работать на практике. Некоторые из причин хорошо объяснены в статье Ааронсона: Прочитайте мелкий шрифт (см. Также опубликованную версию: nphys3272 ). Грубо говоря, проблема в том, что квантовые алгоритмы обычно обрабатывают «данные», хранящиеся в квантовых состояниях, часто кодируя векторы в амплитуды состояния. Это, например, случай для QFT , и это все еще имеет место для HHL09 и производных работ.
Большая проблема (или одна из больших проблем) заключается в том, что далеко не очевидно, как эффективно загружать «большие» классические данные в это квантовое состояние для обработки. Типичный ответ на этот вопрос - «нам просто нужно использовать qRAM », но это также сопровождается многими оговорками, поскольку этот процесс должен быть очень быстрым, чтобы поддерживать экспоненциальное ускорение, которого мы теперь можем достичь, как только данные поступят квантовая форма. Я снова обращаюсь к статье Ааронсона за более подробной информацией о предостережениях.