Nuevos Avances en el Aprendizaje Automático Cuántico

El aumento de la potencia de cálculo y la disponibilidad de datos ha llevado a las técnicas de aprendizaje automático a obtener resultados impresionantes en diversos campos como la regresión, la clasificación y la generación de datos. A pesar de estos éxitos, los supercomputadores clásicos se enfrentan a la complejidad de algunos problemas y la computación cuántica parece convertirse en una solución viable para acelerar las cosas (a viable solution). El aprendizaje automático es un campo en el que los algoritmos cuánticos pueden superar el enfoque clásico y se espera que los recursos cuánticos proporcionen ventajas para los problemas de aprendizaje. De hecho, el aprendizaje en presencia de ruido y ciertos problemas computacionalmente difíciles en el aprendizaje automático se identifican como direcciones prometedoras para el campo. También hay que abordar cuestiones prácticas, como la forma de cargar los datos clásicos en forma cuántica.

Las técnicas de aprendizaje automático utilizan algoritmos y herramientas matemáticas para buscar patrones en los datos. Estas técnicas se han convertido en potentes herramientas para muy diversas aplicaciones, que pueden ir desde usos biomédicos como en el reconocimiento del cáncer, en genética y genómica, en el seguimiento y diagnóstico del autismo e incluso en cirugía plástica, hasta la pura física aplicada, para estudiar la naturaleza de los materiales, la materia o incluso los sistemas cuánticos complejos. Una de estas técnicas es la máquina de Boltzmann. Sirve de base a potentes modelos de aprendizaje profundo, como las redes de creencias profundas máquinas profundas de Boltzmann. Sus particularidades residen en una red probabilística de unidades binarias con una función de energía cuadrática.

Revisión exhaustiva del aprendizaje automático cuántico, su estado actual y sus perspectivas de futuro. Los informes contrastan el aprendizaje automático utilizando recursos clásicos y cuánticos, identificando las oportunidades que la computación cuántica aporta a este campo.

En un estudio reciente, un equipo internacional de investigadores dirigido por Jacob Biamonte, de Skoltech/IQC, propuso una revisión del estado actual del aprendizaje automático clásico y del aprendizaje automático cuántico. En su documento, exploran los distintos enfoques, como la máquina cuántica de Boltzmann. Su conclusión es que los computadores cuánticos pueden superar a los clásicos en tareas de aprendizaje automático. Mostraron varias formas de concebir y aplicar programas informáticos cuánticos que podrían permitir el aprendizaje automático. De hecho, los trabajos recientes han producido algoritmos cuánticos que podrían actuar como bloques de construcción de programas de aprendizaje automático, pero los retos de hardware y software son todavía considerables. Es un tema muy rico. Todavía hay muchos caminos posibles y hay que explorarlos.

"Escribir este artículo fue todo un reto: teníamos un comité de seis coautores con ideas diferentes sobre lo que es el campo, dónde está ahora y hacia dónde va. Reescribimos el artículo desde cero tres veces. La versión final no podría haberse completado sin la dedicación de nuestro editor, con el que estamos en deuda".

Peter Wittek, Instituto de Computación Cuántica, Canadá

Continúe leyendo en: https://phys.org/news/2017-09-quantum-machines.html