Wikipedia

Kvanttikoneoppiminen

monitieteinen tutkimusalue kvanttifysiikan ja koneoppimisen risteyskohdassa

Kvanttikoneoppiminen on kvanttialgoritmien yhdistämistä koneoppimisohjelmiin.[3][4][5][6] Yleisimmin termi viittaa kvanttitehostettuun koneoppimiseen, jossa kvanttitietokoneella suoritetaan klassisen datan analysointiin tarkoitettuja koneoppimisalgoritmeja.[7][8][9]

Neljä erilaista lähestymistapaa yhdistää kvanttilaskennan ja koneoppimisen tieteenalat.[1][2] Ensimmäinen kirjain osoittaa, käytetäänkö laskennassa klassista (C) vai kvanttilaskentamallia (Q), kun taas toinen kirjain määrittelee, onko tutkittava järjestelmä klassinen (C) vai kvanttijärjestelmä (Q).

Vaikka koneoppimisalgoritmeja käytetään valtavien tietomäärien laskemiseen, niin kvanttikoneoppiminen eroaa siitä hyödyntämällä kubitteja ja kvanttioperaatioita tai erikoistuneita kvanttijärjestelmiä parantaakseen laskentanopeutta ja algoritmien suorittamaa tietojen tallennusta ohjelmassa.[5] Esimerkkejä tästä ovat klassisen prosessoinnin ja kvanttiprosessoinnin hybridimenetelmät, joissa laskennallisesti vaikeat aliohjelmat ulkoistetaan kvanttitietokoneelle. [10][11][12] Nämä ohjelmat voivat olla luonteeltaan monimutkaisempia ja toteutua nopeammin kvanttitietokoneella.[5] Lisäksi kvanttialgoritmeja voidaan käyttää kvanttitilojen analysointiin klassisen datan sijasta.[13][14]

Kvanttilaskennan lisäksi termi ”kvanttikoneoppiminen” liittyy myös klassisiin koneoppimismenetelmiin, joita sovelletaan kvanttikokeista tuotettuun dataan (ts. kvanttijärjestelmien koneoppiminen), kuten kvanttijärjestelmän faasimuutosten oppimiseen[15][16] tai uusien kvanttikokeiden luomiseen.[17][18][19]

Kvanttikoneoppiminen ulottuu myös tutkimusalaan, joka tutkii metodologisia ja rakenteellisia yhtäläisyyksiä tiettyjen fyysisten järjestelmien ja oppimisjärjestelmien, erityisesti neuroverkkojen välillä. Esimerkiksi jotkut kvanttifysiikan matemaattiset ja numeeriset tekniikat soveltuvat klassiseen syväoppimiseen ja päinvastoin.[20][21][22] Tutkijoiden mielenkiinto kohdistuu abstraktimpiin käsityksiin oppimisteorian suhteesta kvantti-informaatioon, mikä tunnetaan myös nimellä ”kvanttioppimisteoria”.[23][24]

Lähteet

muokkaa
  1. ↑ Aïmeur, Esma et al.: Machine Learning in a Quantum World. (Lamontagne, L. & Marchand, M. (toim.); Lecture Notes in Computer Science) Advances in Artificial Intelligence. Canadian AI, 2006, 4013. vsk, s. 431–442. Springer. doi:10.1007/11766247_37 ISBN 978-3-540-34628-9 Artikkelin verkkoversio. Viitattu 7.4.2024. (englanniksi)
  2. ↑ Dunjko, Vedran; Taylor, Jacob M.; Briegel, Hans J.: Quantum-Enhanced Machine Learning. Physical Review Letters, 2016, 117. vsk, nro 13, s. 130501. American Physical Society (APS). PubMed:27715099 doi:10.1103/PhysRevLett.117.130501 Bibcode:2016PhRvL.117m0501D Artikkelin verkkoversio. Viitattu 7.4.2024. (englanniksi)
  3. ↑ Biamonte, Jacob; Wittek, Peter; Nicola, Pancotti; Rebentrost, Patrick; Wiebe, Nathan; Lloyd, Seth: Quantum machine learning. Nature, 2017, 549. vsk, nro 7671, s. 195-202. doi:10.1038/nature23474 Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  4. ↑ Schuld, Maria & Petruccione, Francesco: Supervised Learning with Quantum Computers. Quantum Science and Technology, 2018. doi:10.1007/978-3-319-96424-9 ISBN 978-3-319-96423-2 (englanniksi)
  5. ↑ a b c Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco: An introduction to quantum machine learning. Contemporary Physics, 2014, 56. vsk, nro 2, s. 172–185. doi:10.1080/00107514.2014.964942 (englanniksi)
  6. ↑ Wittek, Peter: Quantum Machine Learning: What Quantum Computing Means to Data Mining. Academic Press, 2014. Academic Press. ISBN 978-0-12-800953-6 (englanniksi)
  7. ↑ Wiebe, Nathan; Kapoor, Ashish; Svore, Krysta: Quantum Algorithms for Nearest-Neighbor Methods for Supervised and Unsupervised Learning. Quantum Information & Computation, 2014, 15. vsk, nro 3, s. 0318–0358. Artikkeli ArXiv-sivustolla. (englanniksi)
  8. ↑ Lloyd, Seth; Mohseni, Masoud; Rebentrost, Patrick: Quantum algorithms for supervised and unsupervised machine learning. ArXiv > Quantum Physics (quant-ph), 2013. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  9. ↑ Yoo, Seokwon; Bang, Jeongho; Lee, Changhyoup; Lee, Jinhyoung: A quantum speedup in machine learning: Finding a N-bit Boolean function for a classification. New Journal of Physics, 2014, 16. vsk, nro 10, s. 103014. (englanniksi)
  10. ↑ Benedetti, Marcello; Realpe-Gómez, John; Biswas, Rupak; Perdomo-Ortiz, Alejandro: Quantum-Assisted Learning of Hardware-Embedded Probabilistic Graphical Models. Physical Review X, 2017. ArXiv-tunniste: 1609.02542 doi:10.1103/PhysRevX.7.041052 Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  11. ↑ Farhi, Edward & Neven, Hartmut: Classification with Quantum Neural Networks on Near Term Processors. ArXiv > Quantum Physics (quant-ph), 2018. ArXiv-tunniste: 1802.06002 Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  12. ↑ Schuld, Maria; Bocharov, Alex; Svore, Krysta; Wiebe, Nathan: Physical Review A. Physical Review A, 2020, 101. vsk, nro 3, s. 032308. doi:10.1103/PhysRevA.101.032308 (englanniksi)
  13. ↑ Yu, Shang; Albarran-Arriagada, F.; Retamal, J. C.; Wang, Yi-Tao; Liu, Wei; Ke, Zhi-Jin; Meng, Yu; Li, Zhi-Peng; Tang, Jian-Shun: Reconstruction of a Photonic Qubit State with Quantum Reinforcement Learning. Advanced Quantum Technologies, 2018. Wiley. doi:10.1002/qute.201800074 Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  14. ↑ Ghosh, Sanjib; Opala, A.; Matuszewski, M.; Paterek, T.; Liew, Timothy C. H.: Quantum reservoir processing. NPJ Quantum Information, 2019, 5. vsk, nro 35. Springer Nature. doi:10.1038/s41534-019-0149-8 Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  15. ↑ Broecker, Peter; Assaad, Fakher F.; Trebst, Simon: Quantum phase recognition via unsupervised machine learning. ArXiv > Condensed Matter (cond-mat), 2017. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  16. ↑ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter: Identifying Quantum Phase Transitions with Adversarial Neural Networks. Physical Review B, 2018, 97. vsk, nro 13, s. 134109. Physical Review B. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  17. ↑ Krenn, Mario: Automated Search for new Quantum Experiments. Physical Review Letters, 2016, 116. vsk, nro 9, s. 090405. doi:10.1103/PhysRevLett.116.090405 Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  18. ↑ Knott, Paul: A search algorithm for quantum state engineering and metrology. New Journal of Physics, 2016, 18. vsk, nro 7, s. 073033. doi:10.1088/1367-2630/18/7/073033 Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  19. ↑ Dunjko, Vedran; Briegel, Hans: Machine learning & artificial intelligence in the quantum domain: a review of recent progress. Reports on Progress in Physics, 2018, 81. vsk, nro 7, s. 074001. doi:10.1088/1361-6633/aab406 Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  20. ↑ Huggins, William; Patel, Piyush; Whaley, K. Birgitta; Stoudenmire, E. Miles: Towards Quantum Machine Learning with Tensor Networks. Towards Quantum Machine Learning with Tensor Networks, 2018, 4. vsk, nro 2, s. 024001. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  21. ↑ Carleo, Giuseppe; Nomura, Yusuke; Imada, Masatoshi: Constructing exact representations of quantum many-body systems with deep neural networks. Nature Communications, 2018, 9. vsk, nro 1, s. 5322. Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  22. ↑ Bény, Cédric: Deep learning and the renormalization group. ArXiv > Quantum Physics (quant-ph), 2013. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  23. ↑ Sergioli, Giuseppe; Giuntini, Roberto; Freytes, Hector: A new Quantum approach to binary classification. PLOS ONE, 2019, 14. vsk, nro 5, s. e0216224. doi:10.1371/journal.pone.0216224 Artikkelin verkkoversio. Viitattu 2.5.2023. (englanniksi)
  24. ↑ Arunachalam, Srinivasan; de Wolf, Ronald: A Survey of Quantum Learning Theory. ArXiv > Quantum Physics (quant-ph), 2017. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)

Kirjallisuutta

muokkaa

Oppikirjoja

muokkaa
  • Schuld, Maria & Petruccione, Francesco: Machine Learning with Quantum Computers (Quantum Science and Technology). (2. painos) Springer, 2021. doi:10.1007/978-3-030-83098-4 ISBN 978-3030830977 (englanniksi)
  • Jacquier, Antoine & Kondratyev, Oleksiy ym.: Quantum Machine Learning and Optimisation in Finance: On the Road to Quantum Advantage. (Kirjan esipuheen kirjoittajat: Alexander Lipton & Marcos Lopez de Prado) Packt Publishing, 2022. ISBN 978-1801813570 (englanniksi)
  • Wittek, Peter: Quantum Machine Learning: What Quantum Computing Means to Data Mining. (1. painos) Academic Press, 2014. ISBN 978-0-12-810040-0 (englanniksi)
  • Combarro, Elias F. & Castillo, Samuel Gonzalez-Castillo: A Practical Guide to Quantum Machine Learning and Quantum Optimization: Hands-on Approach to Modern Quantum Algorithms. (Kirjan esipuheen kirjoittaja: Alberto Di Meglio) Packt Publishing, 2023. ISBN 978-1-80461-383-2 (englanniksi)
  • Pastorello, Davide: Concise Guide to Quantum Machine Learning. Springer, 2023. doi:10.1007/978-981-19-6897-6 ISBN 978-981-19-6896-9 (englanniksi)
  • Raj, Pethuru & Kumar, Abhishek & Kumar Dubey, Ashutosh & Bhatia, Surbhi & Manoj, S. Oswalt (toim.): Quantum Computing and Artificial Intelligence: Training Machine and Deep Learning Algorithms on Quantum Computers. (Osa kirjasarjaa: Quantum Computing) De Gruyter, 2023. ISBN 978-3-11-079125-9 (englanniksi)
  • Raj, Pethuru; Song, Houbing Herbert; Le, Dac-Nhuong; Vyas, Narayan (toim.): Quantum Machine Learning: Quantum Algorithms and Neural Networks. (Osa kirjasarjaa: Quantum Computing) De Gruyter, 2024. ISBN 978-3-11-134209-2 (englanniksi)
  • Wichert, Andreas: Principles Of Quantum Artificial Intelligence: Quantum Problem Solving And Machine Learning. (2. painos) World Scientific, 2020. ISBN 978-981-12-2430-0 (englanniksi)
  • Zickert, Frank: Hands-On Quantum Machine Learning With Python: Volume 1: Get Started. Omakustanne, 2021. ISBN 979-8516564499 (englanniksi)
  • Zickert, Frank: Hands-On Quantum Machine Learning With Python: Volume 2: Combinatorial Optimization. Omakustanne, 2023. ISBN 979-8374278491 (englanniksi)
  • Tandon, Prateek; Lam, Stanley , Shih, Ben; Mehta, Tanay; Mitev, Alex; Ong, Zhiyang: ”Machine Learning Mechanisms for Quantum Robotics”, Quantum Robotics: A Primer on Current Science and Future Perspectives, s. 47–73. (osa julkaisusarjaa: Synthesis Lectures on Quantum Computing) Springer, 2017. doi:10.1007/978-3-031-02520-4 ISBN 978-3-031-01392-8 (englanniksi)
  • Wichert, Andreas: Quantum Artificial Intelligence with Qiskit. (1. painos) Chapman & Hall/CRC / Routledge, 2024. ISBN 978-1-032-44897-8 (englanniksi)
  • Spector, Lee: Automatic Quantum Computer Programming: A Genetic Programming Approach. New York: Springer, 2007. doi:10.1007/b116136 ISBN 978-0-387-36496-4 Finna:jykdok.2129897 (englanniksi)
  • Simeone, Osvaldo: An Introduction to Quantum Machine Learning for Engineers (Foundations and Trends® in Signal Processing). Now Publishers / King's College London, 2022. doi:10.1561/2000000118 ISBN 9781638280583 Finna:jykdok.2129586 (englanniksi)
Kvantti-informaatiotiede
Yleiset
Kvanttiviestintä
Kvanttialgoritmit
Kvanttilaskennan monimutkaisuusteoria
Kvanttilaskennan mallit
Kvanttisuorittimien suorituskykyindikaattoritKvanttitilavuus
Dekoherenssin ennaltaehkäisyKvanttivirheenkorjaus
Fyysiset toteutustavat
KvanttioptiikkaKaviteetti-QED
Erittäin kylmät atomit
Spin-pohjaisetYdinmagneettinen resonanssi
Suprajohteisiin perustuva
Noudettu kohteesta ”https://fi.wiki.x.io/w/index.php?title=Kvanttikoneoppiminen&oldid=22830499”