Квантовая перспектива машинного обучения: обзор

Аннотация

Машинное обучение в сочетании с квантовыми технологиями породило новое научное направление, получившее название «квантовое машинное обучение» (QML). В QML реализуется квантовое превосходство за счет большей емкости представления данных квантовыми состояниями, по сравнению с классическим двоичным кодированием, и использования квантового параллелизма. Важным стимулом к развитию QML является прогресс в квантовых вычислениях и создание нанопроцессоров, в которых квантовые эффекты становятся неотъемлемой частью их функционирования. QML позволяет непосредственно оперировать с квантовыми данными при их измерении и в процессах управления квантовыми системами. В обзоре рассматривается общий статистический метод, на котором базируется традиционное машинное обучение. Для него характерно использование принципа максимального правдоподобия и байесовского подхода к оценке больших данных. Требование увеличения быстродействия и снижения потребления энергии приводит к квантовой постановке задачи машинного обучения на основе статистической теории квантовых измерений, которая является обобщением классического статистического подхода. Особенностью квантовых систем является их описание на основе амплитуд вероятностей, что приводит к явлениям интерференции, отсутствующим в классических вероятностных моделях. Наиболее общий способ представления квантовых состояний дает метод матрицы плотности. Процесс измерения квантового состояния является статистическим, т.е. требует проведения измерения над квантовым ансамблем. В результате отдельного измерения квантовая система случайным образом скачком переходит в новое состояние. Для построения систем машинного обучения вводится понятие расстояния между квантовыми данными для чистых и смешанных состояний и определяется вероятность их различения. Обсуждаются принципы построения линейных и нелинейных моделей QML и их основные разновидности. Показана перспективность резервуарного и экстремального квантового машинного обучения, в котором смешение амплитуд, вводимых в систему, производится за счет использования случайных гамильтонианов. Обсуждаются возможности физической реализации QML. Предложен подход к построению квантовой машины экстремального обучения путем формирования спектрального отклика ансамбля квантовых точек на модулированный по времени входной внешний сигнал. Сформулированные базовые представления и принципы QML, а также способ реализации квантового резервуара с временным кодированием сигнала на основе оптического отклика создают базу для развития новых квантовых моделей и устройств, основанных на современных достижениях квантовых технологий и нанооптики.