Siirry sisältöön

Kvanttikoneoppiminen

Wikipediasta
Kvanttikoneoppimisen neljä pääluokkaa[1][2]. Lyhenteen ensimmäinen kirjain kertoo algoritmin tyypin (C = klassinen, Q = kvantti) ja toinen kirjain datan tyypin (C = klassinen, Q = kvantti).

Kvanttikoneoppiminen (engl. quantum machine learning, QML) on tutkimusala, joka yhdistää kvanttilaskennan ja koneoppimisen menetelmät. Sen tavoitteena on hyödyntää kvanttitietokoneiden erityispiirteitä, kuten superpositiota ja lomittumista, koneoppimisalgoritmien tehostamiseen ja uusien oppimismenetelmien kehittämiseen.[3][4][5][6]

Yleisimmin kvanttikoneoppimisella tarkoitetaan kvanttitehostettua koneoppimista, jossa kvanttialgoritmeja käytetään klassisen datan analysointiin[7][8][9]. Tavoitteena on parantaa laskentanopeutta ja resurssien käyttöä verrattuna perinteisiin menetelmiin[5]. Tässä käytetään usein hybridimalleja, joissa klassinen prosessointi yhdistyy kvanttiprosessointiin siten, että laskennallisesti vaativat osatehtävät siirretään kvanttitietokoneelle.[10][11][12] Nämä ohjelmat voivat olla luonteeltaan monimutkaisempia ja toteutua nopeammin kvanttitietokoneella[5].

Kvanttikoneoppiminen voidaan luokitella neljään päätyyppiin sen mukaan, millaista laskentaa ja dataa käytetään[2]:

  • CC (Classical–Classical): perinteinen koneoppiminen klassisella datalla
  • CQ (Classical–Quantum): klassinen koneoppiminen kvanttidatalla
  • QC (Quantum–Classical): kvanttialgoritmit klassisen datan analysointiin
  • QQ (Quantum–Quantum): kvanttialgoritmit kvanttidatan analysointiin.

Lisäksi kvanttialgoritmeja voidaan käyttää kvanttitilojen analysointiin klassisen datan sijasta[13][14].

Termiä kvanttikoneoppiminen käytetään myös viittaamaan tilanteisiin, joissa klassisia koneoppimismenetelmiä sovelletaan kvanttikokeista kerättyyn dataan. Esimerkiksi faasimuutosten tunnistaminen tai uusien kvanttikokeiden suunnittelu voidaan toteuttaa koneoppimisen avulla.[15][16][17][18][19]

Kvanttikoneoppiminen on myös teoreettinen tutkimusala, jossa selvitetään rakenteellisia ja matemaattisia yhtäläisyyksiä oppimisjärjestelmien, kuten neuroverkkojen, ja kvanttifysiikan välillä. Kvanttifysiikan menetelmiä voidaan soveltaa klassiseen syväoppimiseen ja päinvastoin.[20][21][22] Tähän liittyy myös kvanttioppimisteoria, joka tutkii koneoppimisen periaatteita kvantti-informaation näkökulmasta[23]. Tutkijoiden mielenkiinto kohdistuu abstraktimpiin käsityksiin oppimisteorian suhteesta kvantti-informaatioon[24].

Osa artikkelisarjaa
Tekoäly
Tavoitteet
Lähestymistavat
Sovellukset
Filosofia

Lähteet

[muokkaa | muokkaa wikitekstiä]
  1. ↑ Aïmeur, Esma et al.: Machine Learning in a Quantum World. (Lamontagne, L. & Marchand, M. (toim.); Lecture Notes in Computer Science) Advances in Artificial Intelligence. Canadian AI, 2006, 4013. vsk, s. 431–442. Springer. doi:10.1007/11766247_37 ISBN 978-3-540-34628-9 Artikkelin verkkoversio. Viitattu 7.4.2024. (englanniksi)
  2. ↑ a b Dunjko, Vedran; Taylor, Jacob M.; Briegel, Hans J.: Quantum-Enhanced Machine Learning. Physical Review Letters, 2016, 117. vsk, nro 13, s. 130501. American Physical Society (APS). PubMed:27715099 doi:10.1103/PhysRevLett.117.130501 Bibcode:2016PhRvL.117m0501D Artikkelin verkkoversio. Viitattu 7.4.2024. (englanniksi)
  3. ↑ Biamonte, Jacob; Wittek, Peter; Pancotti, Nicola; Rebentrost, Patrick; Wiebe, Nathan; Lloyd, Seth: Quantum machine learning. Nature, 2017, 549. vsk, nro 7671, s. 195–202. doi:10.1038/nature23474 Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  4. ↑ Schuld, Maria & Petruccione, Francesco: Supervised Learning with Quantum Computers. Quantum Science and Technology, 2018. doi:10.1007/978-3-319-96424-9 ISBN 978-3-319-96423-2 (englanniksi)
  5. ↑ a b c Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco: An introduction to quantum machine learning. Contemporary Physics, 2014, 56. vsk, nro 2, s. 172–185. doi:10.1080/00107514.2014.964942 (englanniksi)
  6. ↑ Wittek, Peter: Quantum Machine Learning: What Quantum Computing Means to Data Mining. Academic Press, 2014. Academic Press. ISBN 978-0-12-800953-6 (englanniksi)
  7. ↑ Wiebe, Nathan; Kapoor, Ashish; Svore, Krysta: Quantum Algorithms for Nearest-Neighbor Methods for Supervised and Unsupervised Learning. Quantum Information & Computation, 2014, 15. vsk, nro 3, s. 0318–0358. Artikkeli ArXiv-sivustolla. (englanniksi)
  8. ↑ Lloyd, Seth; Mohseni, Masoud; Rebentrost, Patrick: Quantum algorithms for supervised and unsupervised machine learning. ArXiv > Quantum Physics (quant-ph), 2013. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  9. ↑ Yoo, Seokwon; Bang, Jeongho; Lee, Changhyoup; Lee, Jinhyoung: A quantum speedup in machine learning: Finding a N-bit Boolean function for a classification. New Journal of Physics, 2014, 16. vsk, nro 10, s. 103014. (englanniksi)
  10. ↑ Benedetti, Marcello; Realpe-Gómez, John; Biswas, Rupak; Perdomo-Ortiz, Alejandro: Quantum-Assisted Learning of Hardware-Embedded Probabilistic Graphical Models. Physical Review X, 2017. ArXiv-tunniste: 1609.02542 doi:10.1103/PhysRevX.7.041052 Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  11. ↑ Farhi, Edward & Neven, Hartmut: Classification with Quantum Neural Networks on Near Term Processors. ArXiv > Quantum Physics (quant-ph), 2018. ArXiv-tunniste: 1802.06002 Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  12. ↑ Schuld, Maria; Bocharov, Alex; Svore, Krysta; Wiebe, Nathan: Circuit-centric quantum classifiers. Physical Review A, 2020, 101. vsk, nro 3, s. 032308. doi:10.1103/PhysRevA.101.032308 (englanniksi)
  13. ↑ Yu, Shang; Albarran-Arriagada, F.; Retamal, J. C.; Wang, Yi-Tao; Liu, Wei; Ke, Zhi-Jin; Meng, Yu; Li, Zhi-Peng; Tang, Jian-Shun: Reconstruction of a Photonic Qubit State with Quantum Reinforcement Learning. Advanced Quantum Technologies, 2018. Wiley. doi:10.1002/qute.201800074 Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  14. ↑ Ghosh, Sanjib; Opala, A.; Matuszewski, M.; Paterek, T.; Liew, Timothy C. H.: Quantum reservoir processing. NPJ Quantum Information, 2019, 5. vsk, nro 35. Springer Nature. doi:10.1038/s41534-019-0149-8 Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  15. ↑ Broecker, Peter; Assaad, Fakher F.; Trebst, Simon: Quantum phase recognition via unsupervised machine learning. ArXiv > Condensed Matter (cond-mat), 2017. Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  16. ↑ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter: Identifying Quantum Phase Transitions with Adversarial Neural Networks. Physical Review B, 2018, 97. vsk, nro 13, s. 134109. Physical Review B. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  17. ↑ Krenn, Mario: Automated Search for new Quantum Experiments. Physical Review Letters, 2016, 116. vsk, nro 9, s. 090405. doi:10.1103/PhysRevLett.116.090405 Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  18. ↑ Knott, Paul: A search algorithm for quantum state engineering and metrology. New Journal of Physics, 2016, 18. vsk, nro 7, s. 073033. doi:10.1088/1367-2630/18/7/073033 Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  19. ↑ Dunjko, Vedran; Briegel, Hans: Machine learning & artificial intelligence in the quantum domain: a review of recent progress. Reports on Progress in Physics, 2018, 81. vsk, nro 7, s. 074001. doi:10.1088/1361-6633/aab406 Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  20. ↑ Huggins, William; Patel, Piyush; Whaley, K. Birgitta; Stoudenmire, E. Miles: Towards Quantum Machine Learning with Tensor Networks. Quantum Science and Technology, 2018, 4. vsk, nro 2, s. 024001. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  21. ↑ Carleo, Giuseppe; Nomura, Yusuke; Imada, Masatoshi: Constructing exact representations of quantum many-body systems with deep neural networks. Nature Communications, 2018, 9. vsk, nro 1, s. 5322. Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  22. ↑ Bény, Cédric: Deep learning and the renormalization group. ArXiv > Quantum Physics (quant-ph), 2013. Artikkeli ArXiv-sivustolla. (PDF) Viitattu 2.5.2023. (englanniksi)
  23. ↑ Arunachalam, Srinivasan; de Wolf, Ronald: A Survey of Quantum Learning Theory. ArXiv > Quantum Physics (quant-ph), 2017. Artikkeli ArXiv-sivustolla. Viitattu 2.5.2023. (englanniksi)
  24. ↑ Sergioli, Giuseppe; Giuntini, Roberto; Freytes, Hector: A new Quantum approach to binary classification. PLOS ONE, 2019, 14. vsk, nro 5, s. e0216224. doi:10.1371/journal.pone.0216224 Artikkelin verkkoversio. Viitattu 2.5.2023. (englanniksi)

Kirjallisuutta

[muokkaa | muokkaa wikitekstiä]

Oppikirjoja

[muokkaa | muokkaa wikitekstiä]
  • Schuld, Maria & Petruccione, Francesco: Machine Learning with Quantum Computers (Quantum Science and Technology). (2. painos) Springer, 2021. doi:10.1007/978-3-030-83098-4 ISBN 978-3030830977 (englanniksi)
  • Jacquier, Antoine & Kondratyev, Oleksiy ym.: Quantum Machine Learning and Optimisation in Finance: On the Road to Quantum Advantage. (Kirjan esipuheen kirjoittajat: Alexander Lipton & Marcos Lopez de Prado) Packt Publishing, 2022. ISBN 978-1801813570 (englanniksi)
  • Wittek, Peter: Quantum Machine Learning: What Quantum Computing Means to Data Mining. (1. painos) Academic Press, 2014. ISBN 978-0-12-810040-0 (englanniksi)
  • Combarro, Elias F. & Castillo, Samuel Gonzalez-Castillo: A Practical Guide to Quantum Machine Learning and Quantum Optimization: Hands-on Approach to Modern Quantum Algorithms. (Kirjan esipuheen kirjoittaja: Alberto Di Meglio) Packt Publishing, 2023. ISBN 978-1-80461-383-2 (englanniksi)
  • Pastorello, Davide: Concise Guide to Quantum Machine Learning. Springer, 2023. doi:10.1007/978-981-19-6897-6 ISBN 978-981-19-6896-9 (englanniksi)
  • Raj, Pethuru & Kumar, Abhishek & Kumar Dubey, Ashutosh & Bhatia, Surbhi & Manoj, S. Oswalt (toim.): Quantum Computing and Artificial Intelligence: Training Machine and Deep Learning Algorithms on Quantum Computers. (Osa kirjasarjaa: Quantum Computing) De Gruyter, 2023. ISBN 978-3-11-079125-9 (englanniksi)
  • Raj, Pethuru; Song, Houbing Herbert; Le, Dac-Nhuong; Vyas, Narayan (toim.): Quantum Machine Learning: Quantum Algorithms and Neural Networks. (Osa kirjasarjaa: Quantum Computing) De Gruyter, 2024. ISBN 978-3-11-134209-2 (englanniksi)
  • Wichert, Andreas: Principles Of Quantum Artificial Intelligence: Quantum Problem Solving And Machine Learning. (2. painos) World Scientific, 2020. ISBN 978-981-12-2430-0 (englanniksi)
  • Zickert, Frank: Hands-On Quantum Machine Learning With Python: Volume 1: Get Started. Omakustanne, 2021. ISBN 979-8516564499 (englanniksi)
  • Zickert, Frank: Hands-On Quantum Machine Learning With Python: Volume 2: Combinatorial Optimization. Omakustanne, 2023. ISBN 979-8374278491 (englanniksi)
  • Tandon, Prateek; Lam, Stanley , Shih, Ben; Mehta, Tanay; Mitev, Alex; Ong, Zhiyang: ”Machine Learning Mechanisms for Quantum Robotics”, Quantum Robotics: A Primer on Current Science and Future Perspectives, s. 47–73. (osa julkaisusarjaa: Synthesis Lectures on Quantum Computing) Springer, 2017. doi:10.1007/978-3-031-02520-4 ISBN 978-3-031-01392-8 (englanniksi)
  • Wichert, Andreas: Quantum Artificial Intelligence with Qiskit. (1. painos) Chapman & Hall/CRC / Routledge, 2024. ISBN 978-1-032-44897-8 (englanniksi)
  • Spector, Lee: Automatic Quantum Computer Programming: A Genetic Programming Approach. New York: Springer, 2007. doi:10.1007/b116136 ISBN 978-0-387-36496-4 Finna:jykdok.2129897 (englanniksi)
  • Simeone, Osvaldo: An Introduction to Quantum Machine Learning for Engineers (Foundations and Trends® in Signal Processing). Now Publishers / King's College London, 2022. doi:10.1561/2000000118 ISBN 9781638280583 Finna:jykdok.2129586 (englanniksi)
Kvantti-informaatiotiede
Yleiset
Kvanttiviestintä
Kvanttialgoritmit
Kvanttilaskennan monimutkaisuusteoria
Kvanttilaskennan mallit
Kvanttisuorittimien suorituskykyindikaattoritKvanttitilavuus
Dekoherenssin ennaltaehkäisyKvanttivirheenkorjaus
Fyysiset toteutustavat
KvanttioptiikkaKaviteetti-QED
Erittäin kylmät atomit
Spin-pohjaisetYdinmagneettinen resonanssi
Suprajohteisiin perustuva
Noudettu kohteesta ”https://fi.wikipedia.org/w/index.php?title=Kvanttikoneoppiminen&oldid=23528980”