Aprendizaje automático cuántico

El aprendizaje automático cuántico es una novedosa área de investigación interdisciplinar, situada entre la mecánica cuántica y la
informática, que suma esfuerzos para combinar la mecánica cuántica y el aprendizaje automático.1 2 Los algoritmos o modelos
de aprendizaje automático cuántico intentan usar las ventajas de la información cuántica con el fin de mejorar el aprendizaje
automático clásico, por ejemplo desarrollando implementaciones eficientes de pesados algoritmos clásicos mediante computación
cuántica.3 4 Además, el aprendizaje automático cuántico incluye también la aproximación reciproca, aplicando los métodos de
aprendizaje automático clásico a la teoría de la información cuántica. Ya en su nacimiento, el aprendizaje automático cuántico
reunió grandes expectativas de proporcionar una solución al análisis de grandes volúmenes de datos utilizando el poder del
"paralelismo" de la computación cuántica.5 Esta tendencia se ha agudizado gracias a las recientes inversiones de empresas como
Google y Microsoft en computación cuántica. Sin embargo el aprendizaje automático cuántico está todavía en su etapa inicial y
necesita mayores fundamentos teóricos así como resultados científicos sólidos para llegar a ser una disciplina académica.

Índice
Métodos cuánticos para el aprendizaje automático
Maquinas de soporte vectorial cuánticas
Algoritmos cuánticos de agrupamiento y métodos K-nn
Redes neuronales cuánticas.
Métodos de aprendizaje automático para información cuántica.
Inversiones empresariales en la investigación del aprendizaje automático cuántico.
Referencias

Métodos cuánticos para el aprendizaje automático

Son una serie de ideas de como adaptar los métodos clásicos de aprendizaje automático a los procesos de computación cuántica.6

Maquinas de soporte vectorial cuánticas

Las máquinas de soporte vectorial puede ser implementadas en un ordenador cuántico usando una combinación de algoritmos
cuánticos ya conocidos.7 Con el fin de construir el hiperplano que separa el conjunto de datos para las tareas de clasificación, la
ecuación lineal para la formulación dual o de mínimos cuadrados se resuelve utilizando un algoritmo cuántico para resolver
ecuaciones lineales.8 Una tarea importante es construir una matriz de densidad cuyas entradas se corresponden con las de la
matriz del núcleo. La extracción de la información del estado final puede hacerse a través del análisis de componentes principales
cuántico.9 La clasificación de una nueva entrada se lleva a cabo a través de un ensayo de intercambio. La máquina de soporte
vectorial cuántico se ejecuta en tiempo logarítmico respecto a la dimensión del espacio de características y el número de vectores
de entrenamiento, mientras que la solución clásica tiene una dependencia polinómica.9 Los primeros experimentos en máquinas
de soporte vectorial cuánticas ya han sido realizados.10

Algoritmos cuánticos de agrupamiento y métodos K-nn

Los algoritmos de aprendizaje cuántico tales como k-means o el método K-vecinos más cercanos están basados en calcular la
distancia entre los vectores de características y la selección más próxima (ya sea para identificar el grupo centroide más cercano o
los vecinos más cercanos a un determinado vector de características. La implementación de estos métodos, basados en la
distancia en un ordenador cuántico significa en primer lugar encontrar una manera de calcular distancias clásicas con algoritmos
cuánticos. Una idea frecuente es emplear la superposición de dos funciones de onda cuidadosamente preparadas como
media de la distancia entre dos estados cuánticos. La distancia mínima puede ser encontrada mediante el Algoritmo de
Grover.11 12 Los algoritmos de aprendizaje automático basados en la distancia, tales como la agrupación sin supervisión, pueden
ser implementados a través de la computación cuántica adiabática la cual mejora a la computación clásica de
para el algoritmo de Lloyd a (Donde M es el número de vectores de datos N-dimensional y K es el número de
agrupaciones).13

Redes neuronales cuánticas.

Las redes neuronales cuánticas fueron inicialmente investigadas desde una perspectiva diferente, el papel de los efectos cuánticos
en los circuitos neuronales.14 Sin embargo, el debate pasó rápidamente hacia un enfoque puramente computacional en versiones
cuánticas de redes neuronales artificiales, las cuales juegan un papel importante en el aprendizaje automático. Una serie de ideas
sobre modelos de redes neuronales cuánticas se han publicado desde entonces.15 16 17 18 19 Un enfoque interesante para el
aprendizaje automático cuántico es el modelo de memoria asociativa cuántica basado en el algoritmo de Grover.20 Sin embargo,
encontrar un método para entrenar una red neuronal cuántica es todavía una tarea abierta.21

Métodos de aprendizaje automático para información cuántica.

El aprendizaje automático cuántico también puede ser usado para los enfoques que aplican métodos clásicos de aprendizaje
automático a los problemas de la teoría de la información cuántica. Por ejemplo, cuando los físicos experimentales tienen que
lidiar con información incompleta de una fuente o sistema cuántico, la estadística bayesiana y los conceptos de aprendizaje
algorítmico pueden ser frutiferamente aplicados. Esto incluye aproximaciones de aprendizaje automático para la clasificación del
estado cuántico22 el aprendizaje del Hamiltoniano23 y el aprendizaje de una transformación unitaria.24 25

Inversiones empresariales en la investigación del aprendizaje

automático cuántico.
No solo el mundo académico sino también las empresas líderes en las tecnologías de la información muestran interés en el
potencial del aprendizaje automático cuántico. Google Investigation lanzó su laboratorio cuántico de inteligencia artificial en
2013,26 el cual es una iniciativa conjunta con la NASA y la asociación de universidades de investigación espacial. Una baza
importante es el controvertido debate sobre el ordenador cuántico D-Wave.27 También Microsoft parece interesado en el tema y
Peter Lee anunció que va a aumentar la actividad de las empresas en la computación cuántica.28

Referencias
1. Maria Schuld, Ilya Sinayiskiy, and Francesco Petruccione (2014) An introduction to quantum machine learning,
Contemporary Physics, DOI: 10.1080/00107514.2014.964942 (preprint avaiable at arXiv:1409.3097)
2. Wittek, Peter (2014). Quantum Machine Learning: What Quantum Computing Means to Data Mining (http://www.s
ciencedirect.com/science/book/9780128009536). Academic Press. ISBN 978-0-12-800953-6.
3. see for example, Nathan Wiebe, Ashish Kapoor, and Krysta M. Svorey (2014) Quantum Algorithms for Nearest-
Neighbor Methods for Supervised and Unsupervised Learning, arXiv:1401.2142v2
4. Seth Lloyd, Masoud Mohseni, and Patrick Rebentrost (2014) Quantum algorithms for supervised and
unsupervised machine learning, arXiv:1307.0411v2
5. «How Quantum Computers and Machine Learning Will Revolutionize Big Data» (http://www.wired.com/2013/10/c
omputers-big-data/all/). WIRED. Consultado el 26 de noviembre de 2014.
 6. For a review, see Maria Schuld, Ilya Sinayiskiy, and Francesco Petruccione (2014) An introduction to quantum
machine learning, Contemporary Physics, DOI: 10.1080/00107514.2014.964942 (upcoming, preprint avaiable at
arXiv:1409.3097)
7. Patrick Rebentrost, Masoud Mohseni, and Seth Lloyd (2014) Quantum support vector machine for big data
classification, Physical Review Letters 113 130501
8. Aram W. Harrow, Avinatan Hassidim and Seth Lloyd (2009) Quantum Algorithm for Linear Systems of Equations,
Physical Review Letters 103 150502
9. Seth Lloyd, Masoud Mohseni, and Patrick Rebentrost (2014) Quantum principal component analysis, Nature
Physics 10 pp. 631-633
10. Zhaokai Li, Xiaomei Liu, Nanyang Xu,1, and Jiangfeng Du (2014) Experimental Realization of Quantum Artificial
Intelligence, arXiv preprint arXiv:1410.1054v1
11. C. Duerr and P. Hoyer (1996), A quantum algorithm for finding the minimum, arXiv preprint quantph/ 9607014
12. Esma Aïmeur, Gilles Brassard, Sébastien Gambs (2013) Quantum speed-up for unsupervised learning, Machine
Learning 90, pp. 261-287
13. Seth Lloyd, Masoud Mohseni, and Patrick Rebentrost Quantum algorithms for supervised and unsupervised
machine learning, arXiv preprint arXiv:1307.0411v2
14. Kak (1995). «Quantum neural computing, Advances in Imaging and Electron Physics 94» (http://www.sciencedire
ct.com/science/article/pii/S1076567008701472). Sciencedirect.com. pp. 259-313. Consultado el 26 de noviembre
de 2014.
15. for example, Menneer, T., Narayanan, A. (1995) Quantum-inspired neural networks. Department of Computer
Science, University of Exeter, UK, Technical Report 32
16. Altaisky, M.V. (2001) Quantum neural network. ArXiv quant-ph/0107012
17. Zak, M., Williams, C.P. (1998) Quantum neural nets. International Journal of Theoretical Physics 37(2), pp. 651–
684
18. Behrman, E.C., Steck, J.E., Skinner, S.R. (1999) A spatial quantum neural computer. In: International Joint
Conference on Neural Networks, IEEE IJCNN’99, Vol. 2, pp. 874–877
19. Purushothaman, G., Karayiannis, N.B. (1997) Quantum neural networks (qnns): inherently fuzzy feedforward
neural networks. IEEE Trans. Neural Netw. 8(3), pp. 679–693
20. Dan Ventura, and Tony Martinez (2000) Quantum associative memory, Information Sciences 124 pp. 273-296
21. Maria Schuld, Ilya Sinayskiy, Francesco Petruccione (2014) The quest for a Quantum Neural Network, Quantum
Information Processing, DOI 10.1007/s11128-014-0809-8
22. G. Sentıs, J. Calsamiglia, R. Munoz-Tapia, and E. Bagan (2012) Quantum learning without quantum memory,
Scientific Reports 2 (708), DOI: 10.1038/srep00708
23. Nathan Wiebe, Christopher Granade, Christopher Ferrie, and David Cory (2014) Quantum Hamiltonian learning
using imperfect quantum resources, Physical Review A 89, 042314
24. Alessandro Bisio, Giulio Chiribella, Giacomo Mauro D’Ariano, Stefano Facchini, and Paolo Perinott (2010)
Optimal quantum learning of a unitary transformation, Physical Review A 81, 032324
25. Jeongho Bang Junghee Ryu, Seokwon Yoo, Marcin Pawłowski, and Jinhyoung Lee, A strategy for quantum
algorithm design assisted by machine learning, New Journal of Physics 16 (2014) 073017
26. «Google Quantum A.I. Lab Team - Google+» (https://plus.google.com/+QuantumAILab/posts). Plus.google.com.
Consultado el 26 de noviembre de 2014.
27. «NIPS 2009 Demonstration: Binary Classification using Hardware Implementation of Quantum Annealing» (http://
static.googleusercontent.com/media/www.google.com/de//googleblogs/pdfs/nips_demoreport_120709_research.
pdf) (PDF). Static.googleusercontent.com. Consultado el 26 de noviembre de 2014.
28. «Microsoft Leans on Machine Learning and Quantum Computing in New Research Strategy - MIT Technology
Review» (http://www.technologyreview.com/news/520011/three-questions-for-microsofts-new-head-of-research-p
eter-lee/). MIT Technology Review. Consultado el 26 de noviembre de 2014.

Obtenido de «https://es.wikipedia.org/w/index.php?title=Aprendizaje_automático_cuántico&oldid=113777635»

Esta página se editó por última vez el 6 feb 2019 a las 09:17.

El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0; pueden aplicarse
cláusulas adicionales. Al usar este sitio, usted acepta nuestros términos de uso y nuestra política de privacidad.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo de lucro.