Aprendizaje supervisado con espacios de características mejorados cuánticamente

Área de la Ciencia:

• La computación cuántica
• Aprendizaje automático
• Aprendizaje supervisado

Sus antecedentes:

• Los métodos del núcleo en el aprendizaje automático, como las máquinas vectoriales de soporte (SVM), enfrentan desafíos con grandes espacios de características y estimaciones de funciones del núcleo computacionalmente costosas.
• La computación cuántica ofrece potenciales aceleraciones computacionales mediante la explotación de espacios de estado cuántico exponencialmente grandes a través del entrelazamiento y la interferencia.
• La conexión entre la computación cuántica y el aprendizaje automático es crucial para abordar problemas computacionales complejos.

Objetivo del estudio:

• Proponer e implementar experimentalmente dos nuevos algoritmos cuánticos para tareas de clasificación de aprendizaje supervisado.
• Explorar el uso de espacios de características mejorados cuánticamente para una posible ventaja cuántica en el aprendizaje automático.
• Investigar la aplicación de las computadoras cuánticas ruidosas de escala intermedia (NISQ) al aprendizaje automático.

Principales métodos:

• Implementación experimental de dos algoritmos cuánticos en un procesador superconductor.
• Utilizando el espacio de estado cuántico como un espacio de características mejorado, accesible de manera eficiente solo en una computadora cuántica.
• Un método emplea un clasificador cuántico variacional que utiliza circuitos cuánticos variacionales, análogos a los SVM clásicos.
• El segundo método implica un estimador de núcleo cuántico que calcula las funciones del núcleo en la computadora cuántica para optimizar un SVM clásico.

Principales resultados:

• Implementación experimental exitosa de dos algoritmos cuánticos para la clasificación.
• Demostración de espacios de características mejorados cuánticamente como un camino hacia la ventaja cuántica.
• Desarrollo de herramientas para la aplicación de dispositivos NISQ a problemas de aprendizaje automático.

Conclusiones:

• Los algoritmos cuánticos pueden abordar efectivamente las limitaciones en el aprendizaje automático clásico, particularmente para espacios de características grandes.
• Los espacios de características mejorados cuánticamente ofrecen un enfoque prometedor para lograr una ventaja cuántica en el aprendizaje automático.
• Los métodos desarrollados proporcionan herramientas prácticas para aprovechar las computadoras NISQ en aplicaciones de aprendizaje automático.