Învățarea cuantică a mașinilor este o ramură a științei la intersecția dintre fizica cuantică și informatica , în care sunt dezvoltate și studiate metode de învățare automată care pot folosi în mod eficient paralelismul computerelor cuantice .
Există trei modele principale de învățare utilizate în învățarea automată cuantică:
În acest model, scopul învățării este de a găsi o funcție care se potrivește cât mai bine cu funcția necunoscută. În același timp, este posibil să faceți interogări și să obțineți răspunsuri exacte despre valoarea funcției necunoscute pentru diferite valori ale argumentelor. Eficiența algoritmilor cuantici în raport cu cei clasici în acest caz depinde de modul în care este măsurată eficiența învățării. Dacă măsura eficienței este numărul de interogări efectuate, atunci algoritmii cuantici îi depășesc pe cei clasici doar polinomial, dar dacă măsura eficienței este timpul de învățare, atunci există clase de funcții pentru care algoritmii cuantici sunt mult mai rapizi decât cei clasici, cu condiția ca interogări cuantice să fie implementate (adică interogări care sunt în suprapunere cuantică a interogărilor clasice).
Acest model caută și funcția care se potrivește cel mai mult cu funcția necunoscută, dar nu există posibilitatea de a face interogări. În schimb, există un set de mostre. Din punct de vedere matematic, scopul este de a ipoteza funcția necunoscută care se potrivește cel mai bine cu funcția necunoscută pe un set dat de eșantioane. Diferența dintre învățarea PAC cuantică și învățarea clasică este că aceste mostre, în general, pot fi într-o stare de suprapunere cuantică. În cazul general, însă, acest lucru nu oferă un câștig semnificativ, iar algoritmul cuantic diferă ca viteză de cel clasic doar printr-un factor constant. Există, totuși, o anumită clasă de funcții necunoscute pentru care învățarea PAC cuantică este mult mai rapidă decât învățarea clasică.
În acest model, având în vedere o secvență de n biți, sarcina este de a găsi o ipoteză care prezice cel mai bine n + 1 biți. La fel ca și în modelul PAC, algoritmii cuantici de aici nu sunt, în general, cu mult mai rapizi decât cei clasici.
Rădăcinile învățării automate cuantice se află în două ramuri majore ale informaticii teoretice care au apărut aproape simultan în anii 1980: învățarea automată și informatica cuantică . Prima lucrare care a încercat să folosească efectele cuantice pentru a îmbunătăți metodele de învățare automată a fost lucrarea lui Nader Bshuti și Jeffrey Jackson în 1999 [1] , în care au propus utilizarea așa-numitelor eșantioane cuantice pentru învățare, adică eșantioane care sunt într-o stare de suprapunere cuantică a mai multor probe clasice.
În anii 2000, au fost propuși și algoritmi cuantici pentru a rezolva unele probleme tipice de învățare automată. De exemplu, în 2006 [2] , a fost propusă o variantă a algoritmului lui Grover pentru problema de clustering .