¿La mecánica cuántica es útil para el aprendizaje automático?

Recién comencé a leer en un nuevo campo interdisciplinario llamado aprendizaje cuántico de máquinas, que promete grandes cosas pronto. Ahora se está trabajando mucho, con muchos algoritmos clásicos de aprendizaje automático adaptados al mundo cuántico y recibiendo aceleraciones cuadráticas a exponenciales. Una cosa que pueden hacer las computadoras cuánticas es resolver conjuntos de ecuaciones lineales mucho, mucho más rápido que las computadoras clásicas ([0811.3171] Algoritmo cuántico para resolver sistemas lineales de ecuaciones). Resolver ecuaciones lineales rápidamente es una cosa que requieren muchos algoritmos de aprendizaje automático. Un inconveniente es que obtienes como respuesta un ‘estado ket’ que contiene toda la información sobre las soluciones para el conjunto de ecuaciones lineales, pero solo puedes hacer una medición en este ‘estado ket’ antes de destruir toda la información en el ket . Sin embargo, dependiendo de cómo mida el estado final, puede obtener como resultado algo global sobre la solución completa, por ejemplo, la suma de todas las soluciones.

De este documento ([1603.06222] Aprendizaje automático cuántico sobre dimensiones infinitas),

En algunas aplicaciones, particularmente el aprendizaje automático, solo el comportamiento global del conjunto de datos es interesante. Los algoritmos cuánticos de aprendizaje automático aprovechan esta propiedad para reducir la cantidad de memoria y operaciones necesarias.

Hasta ahora, algunos aspectos / aplicaciones del aprendizaje automático se han adaptado a la computación cuántica, como

• Análisis de componentes principales
• Medidas de distancia vectorial
• Recocido Cuántico

Este es un buen resumen breve de Scott Aaronson sobre algoritmos cuánticos de aprendizaje automático. Es un poco técnico, pero necesitará profundizar en los detalles para apreciar el campo.

http://www.scottaaronson.com/pap …

Compañías como Google, Microsoft y D-Wave también están contratando a mucha gente para avanzar en el campo. Las computadoras de D-Wave son famosas porque son excepcionalmente buenas en problemas de optimización, en particular en el recocido de estimulación cuántica. Somos muy buenos para simular sistemas cuánticos usando un Hamiltoniano, muchas veces, si podemos reducir un problema a uno que pueda ser modelado por el Hamiltoniano de un sistema, podemos simularlo y llevarlo a uno de sus estados propios de energía y medirlo, para realizar algunos cálculos

Es un campo en su infancia, y sí, la mecánica cuántica tiene mucho que ofrecer aprendizaje automático, en particular la computación cuántica y la información cuántica. Microsoft Research organizó un evento sobre aprendizaje automático cuántico (Quantum Machine Learning) y la página tiene enlaces a las diapositivas de algunas charlas, que proporcionan una buena visión general del tema en términos simples.

Bueno, conocer la mecánica cuántica será útil para el aprendizaje automático, pero probablemente no haya aplicaciones directas. Por lo menos, los métodos matemáticos que aprende en mecánica cuántica son más o menos los mismos que en el aprendizaje automático, al menos en algunas áreas. Una razón sería que la mecánica cuántica podría verse como una generalización de la probabilidad. Es útil tener en cuenta que muchas de las ideas interesantes en el aprendizaje automático provienen de la física, aunque esto es principalmente en el ámbito de la mecánica estadística, pero también puede extenderse a la teoría cuántica.

Sí. Según tengo entendido, las computadoras cuánticas tienen la ventaja de no quedarse atrapados en los mínimos locales en problemas de optimización: pueden “atravesar” y encontrar el verdadero mínimo global.

Acerca de por qué necesita una mecánica cuántica para eso, es porque la programación de máquinas como la D-Wave requiere el conocimiento del problema que está tratando de resolver y la forma en que funciona el hardware: las abstracciones son de muy bajo nivel por ahora, la situación es probablemente similar a la situación en la que se introdujeron las computadoras clásicas (donde escribir cualquier programa requería un conocimiento profundo del hardware y de cómo funciona, por ejemplo, en las computadoras con memoria de batería, era importante colocar las instrucciones debido a la naturaleza física de la batería giratoria) .

Para tener una mejor idea, lea esto: http://arxiv.org/pdf/1309.3575.pdf (en coautoría con Hadayat Seddiqi, a quien quizás desee seguir).

Sí, la mecánica cuántica es útil para el aprendizaje automático:

Computando más rápido con luz, no con electricidad, Lightmatter gana el lanzamiento de MIT $ 100K

Las computadoras alimentadas por luz iluminan el futuro de la IA

y el artículo de la revista (Aprendizaje profundo con circuitos nanofotónicos coherentes):

http://www.nature.com/nphoton/jo …

Indirectamente puede ser útil. La computación cuántica, ala D-Wave et al, tiene el potencial de dar un salto cuántico (juego de palabras) en potencia computacional.

Los desarrolladores de aprendizaje automático no necesitarán comprender los detalles de la mecánica cuántica, solo los aspectos computacionalmente ventajosos a medida que se aplican a los algoritmos que implementan. También es probable que los proveedores de computación cuántica, y los primeros en adoptar, desarrollen bibliotecas que aíslen a los desarrolladores de la complejidad de las cosas cuánticas.

He usado algunas ecuaciones diferenciales de la mecánica cuántica para analizar gráficos y procesos en gráficos, así como algunas mecánicas estadísticas. Sin embargo, no he parecido mucho en la literatura. Imaginaría algunas ecuaciones de flujo y ecuaciones de onda que tendrían buenas aplicaciones en el aprendizaje múltiple, pero solo hay un método de difusión que conozco de la literatura: todavía no he podido encontrar una revista para publicar mis experimentos.

En lugar de la mecánica cuántica, las matemáticas basadas en la mecánica cuántica cambiarán el futuro del aprendizaje automático. En los algoritmos actuales de aprendizaje automático, la principal complejidad es la aproximación y la optimización ineficiente y superar a estos científicos que intentan aplicar soluciones matemáticas basadas en números complejos, pero aplicar números complejos es no es fácil con el poder y el costo de la computación actual y también se necesitan buenos algoritmos para superar esto, los algoritmos clásicos no son adecuados para lograr esto, solo los algoritmos basados ​​en cuántica pueden hacer lo mejor

Más detalles en este enlace krishnakumarsekar / awesome-quantum-machine-learning

Gracias y saludos

Krishna

Sí. Se ha demostrado que una computadora cuántica podría entrenar ciertos tipos de modelos en un tiempo asintótico más rápido que una computadora convencional. Entonces, en teoría, una computadora cuántica podría ser útil para el aprendizaje automático.

En este punto, esencialmente no hay conexión o comunidad entre ellos. El aprendizaje automático requiere a lo sumo un poco de álgebra lineal, rara vez incluso cualquier cálculo, y no hay metodologías comunes para ambos hasta donde yo sé. Eso podría cambiar en el futuro, pero si aguantas la respiración esperando que la computación cuántica se convierta en una realidad utilizable y que afecte el aprendizaje automático, estarás esperando mucho tiempo.

No para máquinas macroscópicas. Para las máquinas grandes, la mecánica clásica de Newton funciona bien. Pero en el futuro cercano podemos tener máquinas nano y para estas mecánicas cuánticas sería indispensable.

Google y la NASA tienen la siguiente opinión: lanzamiento del laboratorio de inteligencia artificial cuántica

Probablemente no habrá aplicaciones directas a menos que o hasta que las computadoras cuánticas sean prácticas.

Creo que esto sería importante si quieres trabajar en la computación cuántica, que todavía está en un estado ideal.
Puede obtener material del curso de Stanford para el aprendizaje automático que será útil para usted