¿Existe alguna aplicación potencial de las computadoras cuánticas en el aprendizaje automático o la IA?

Mucha gente cree que las computadoras cuánticas pueden ser un paso fundamental en la creación de nuevos algoritmos de aprendizaje automático y de inteligencia artificial que pueden dar un gran impulso al campo. Incluso se han realizado estudios de que nuestro cerebro puede ser una computadora cuántica, pero hasta ahora no hay consenso entre los investigadores.

Dado que soy completamente nuevo en el campo, quería saber si se ha realizado alguna investigación en la aplicación de computadoras cuánticas en IA que, teóricamente hablando, pueda funcionar mejor en alguna tarea o converger más rápido que los algoritmos modernos de aprendizaje profundo.

Solo responderé a la parte de la pregunta sobre cómo la mecánica cuántica puede ser útil para el análisis de datos clásicos a través del aprendizaje automático. También hay trabajos relacionados con la "IA cuántica", pero ese es un tipo de cosas mucho más especulativo (y menos definido), en el que no quiero entrar.

Entonces, ¿ pueden usarse las computadoras cuánticas para acelerar el análisis de datos a través de algoritmos de aprendizaje automático ? Citando a Scott Aaronson Lea el papel de letra pequeña , esa es una pregunta simple con una respuesta complicada .

En primer lugar, debe tenerse en cuenta que tratar de responder a este tipo de preguntas es una gran parte de lo que trata el área de investigación de Quantum Machine Learning (más recientemente, los términos aprendizaje automático mejorado cuántico o aprendizaje automático asistido cuántico parecen preferidos para referirse a esta fusión de QM y ML, para distinguirlo del uso de ML para ayudar a resolver problemas en QM). Como puede ver en la página de Wikipedia, hay muchas cosas que suceden en el campo, y sería inútil tratar de dar una lista completa de documentos relevantes aquí, ya que quedaría desactualizado rápidamente.

Citando de Schuld et al. 2014 , la idea detrás de Quantum-Assisted Machine Learning (QAML) es la siguiente:

Dado que el volumen de datos almacenados a nivel mundial está creciendo en un 20% cada año (actualmente en el orden de varios cientos de exabytes [1]), la presión para encontrar enfoques innovadores para el aprendizaje automático está aumentando. Una idea prometedora que actualmente es investigada por la academia, así como en los laboratorios de investigación de las principales empresas de TI, explota el potencial de la computación cuántica para optimizar los algoritmos clásicos de aprendizaje automático.

Volviendo a su pregunta, Harrow et al. Proporcionaron una primera respuesta aparentemente positiva . 2009 , que proporcionó un algoritmo cuántico eficiente para invertir el sistema lineal de ecuaciones (bajo una serie de condiciones sobre el sistema), trabajando cuando los datos se almacenan en estados cuánticos. Siendo esta una operación fundamental de álgebra lineal, el descubrimiento llevó a muchos algoritmos cuánticos propuestos para resolver problemas de aprendizaje automático por algunos de los mismos autores ( 1307.0401 , 1307.0411 , 1307.0471 ), así como por muchos otros. Ahora hay muchas revisiones que puede consultar para obtener listas de referencias más completas, como 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , el libro de Peter Wittek , y probablemente más.

Sin embargo, está lejos de establecerse cómo funcionaría esto en la práctica. Algunas de las razones están bien explicadas en el artículo de Aaronson: Lea la letra pequeña (vea también la versión publicada: nphys3272 ). En términos generales, el problema es que los algoritmos cuánticos generalmente manejan los "datos" almacenados en estados cuánticos, a menudo codificando vectores en las amplitudes del estado. Este es, por ejemplo, el caso de la QFT , y sigue siendo el caso de HHL09 y trabajos derivados.

El gran problema (o uno de los grandes problemas) con esto es que está lejos de ser obvio cómo puede cargar eficientemente los datos clásicos "grandes" en este estado cuántico para su procesamiento. La respuesta típica a esto es "solo tenemos que usar una qRAM ", pero eso también viene con muchas advertencias, ya que este proceso debe ser muy rápido para mantener la aceleración exponencial que ahora podemos lograr una vez que los datos están en forma cuántica Vuelvo a consultar el artículo de Aaronson para obtener más detalles sobre las advertencias.

Hay argumentos de que nuestros cerebros son de mecánica cuántica y argumentos en contra, por lo que es un tema muy debatido. Fisher en UCSB tiene algunas ideas especulativas sobre cómo los cerebros podrían seguir usando los efectos cuánticos aunque no sean de naturaleza mecánica cuántica. Si bien no hay evidencia experimental directa, hay dos referencias que quizás desee leer:

• Cognición cuántica: la posibilidad de procesar con espines nucleares en el cerebro

• ¿Somos computadoras cuánticas o simplemente robots inteligentes?

Ahora, sobre el tema del uso de la computación cuántica y el aprendizaje automático, Rigetti Computing ha demostrado un algoritmo de agrupamiento utilizando sus prototipos de chips cuánticos (19 qubits). Publicaron sus hallazgos en un libro blanco en arXiv.org aquí:

• Aprendizaje automático sin supervisión en una computadora cuántica híbrida

Por lo tanto, existe una clara oportunidad de avanzar en el aprendizaje automático y, eventualmente, la inteligencia artificial utilizando la computación cuántica en mi humilde opinión.

Gran parte del trabajo realizado hasta ahora con las computadoras cuánticas se ha centrado en resolver problemas de optimización combinatoria. Tanto los anilladores cuánticos de estilo D-Wave como las máquinas Gate Model más recientes de Rigetti, IBM y Google han estado resolviendo problemas de optimización combinatoria. Un enfoque prometedor para conectar el aprendizaje automático y la computación cuántica implica encontrar problemas de optimización dentro de las tareas estándar de aprendizaje automático.

Por ejemplo, el reciente artículo de Rigetti, Aprendizaje automático sin supervisión en una computadora cuántica híbrida, esencialmente reestructura el problema del aprendizaje automático sin supervisión de agrupar datos en dos grupos, también conocido como agrupamiento de 2 medios, en el problema de optimización combinatoria de MaxCut. La gente de Rigetti resuelve el problema de MaxCut con el Algoritmo de Optimización Aproximado Cuántico (QAOA).

Esperaría ver más de este estilo de trabajo en el futuro, especialmente dadas las conexiones naturales entre la optimización y el aprendizaje automático.