¿Puede Quantum Computing acelerar las redes neuronales y los algoritmos genéticos?

Tal vez, si encontramos buenos algoritmos cuánticos, pero probablemente NO de la forma en que la mayoría de la gente piensa que lo haría.

Una gran idea errónea con respecto a la computación cuántica es que, una vez que tenemos computadoras cuánticas prácticas, todos los problemas informáticos se pueden resolver y resolver mucho más rápido, especialmente aquellos que pueden beneficiarse de la computación paralela. No, no es así como funciona la computación cuántica.

El problema fundamental con la analogía de “computación cuántica computing computación paralela” es que en el momento en que leemos cualquier salida de una computadora cuántica, ¡colapsaríamos cualquier superposición que hubiera en la computadora en un solo estado , al azar! Este problema se basa en la base de la mecánica cuántica en sí misma y es independiente de nuestras capacidades tecnológicas.

Puede implementar cualquier algoritmo clásico en una computadora cuántica, y no funcionará más rápido que antes. Lo que hace que las computadoras cuánticas sean potencialmente mucho más rápidas que las computadoras clásicas son los algoritmos cuánticos inteligentemente diseñados que reducen las complejidades de tiempo y memoria en comparación con sus contrapartes clásicas. Tenemos algunos de ellos hoy, el más famoso es el algoritmo de Shor para la factorización prima y el algoritmo de Grover para buscar en una base de datos no estructurada .

Desafortunadamente, hoy no tenemos muchos algoritmos cuánticos. Puede encontrar algunos de los más conocidos en el algoritmo Quantum: Wikipedia. Los algoritmos cuánticos existentes tampoco parecen encajar bien en nuestros algoritmos actuales de redes neuronales. Todavía queda mucho por hacer en el lado del algoritmo, y no hay garantía de que existan algoritmos cuánticos que sean más rápidos que los clásicos en cualquier dominio de problemas.

Ellos absolutamente pueden. Escuché que una empresa china ya está investigando en esta área.

Para los algoritmos genéticos, me imagino que obtendría instantáneamente todas las soluciones y que simplemente necesitaría una función de costo para poder clasificar cada una de ellas.

Para las redes neuronales, el entrenamiento se mejoraría al obtener simultáneamente múltiples configuraciones de peso que funcionarían. Luego, deberías elegir algo que pueda generalizar (no sobreajustar). A menos que, por supuesto, esté resolviendo un problema limitado como jugar al ajedrez donde hay un número finito de movimientos y resultados posibles. Entonces tendrás algo verdaderamente inmejorable … Creo que arruinará el juego.