(Phys.org) - Natuurkundigen hebben ontdekt dat de structuur van bepaalde soorten kwantumleeralgoritmen sterk lijkt op hun klassieke tegenhangers - een bevinding die wetenschappers zal helpen de kwantumversies verder te ontwikkelen. Klassieke algoritmen voor machine learning worden momenteel gebruikt voor het uitvoeren van complexe rekentaken, zoals patroonherkenning of classificatie in grote hoeveelheden data, en vormen een cruciaal onderdeel van veel moderne technologieën. Het doel van kwantumleeralgoritmen is om deze functies in scenario's te brengen waarin informatie zich in een volledig kwantumvorm bevindt.

De wetenschappers, Alex Monràs aan de Autonome Universiteit van Barcelona, Spanje; Gael Sentís aan de Universiteit van Baskenland, Spanje, en de Universiteit van Siegen, Duitsland; en Peter Wittek bij ICFO-The Institute of Photonic Science, Spanje, en de Universiteit van Borås, Zweden, hebben een paper over hun resultaten gepubliceerd in een recent nummer van Fysieke beoordelingsbrieven .

"Ons werk onthult de structuur van een algemene klasse van kwantumleeralgoritmen op een zeer fundamenteel niveau, "Sentís vertelde" Phys.org . "Het laat zien dat de potentieel zeer complexe operaties die betrokken zijn bij een optimale kwantumopstelling kunnen worden geschrapt ten gunste van een veel eenvoudiger operationeel schema, die analoog is aan degene die wordt gebruikt in klassieke algoritmen, en er gaat geen prestatie verloren in het proces. Deze bevinding helpt bij het vaststellen van de ultieme mogelijkheden van kwantumleeralgoritmen, en opent de deur naar het toepassen van belangrijke resultaten in statistisch leren op kwantumscenario's."

In hun studie hebben de natuurkundigen concentreerden zich op een specifiek type machine learning dat inductief begeleid leren wordt genoemd. Hier, het algoritme krijgt trainingsexemplaren waaruit het algemene regels haalt, en past deze regels vervolgens toe op verschillende test- (of probleem)instanties, wat de werkelijke problemen zijn waarvoor het algoritme is getraind. De wetenschappers toonden aan dat zowel klassieke als kwantuminductieve gesuperviseerde leeralgoritmen deze twee fasen (een trainingsfase en een testfase) moeten hebben die volledig verschillend en onafhankelijk zijn. Terwijl in de klassieke opzet dit resultaat triviaal volgt uit de aard van klassieke informatie, de natuurkundigen toonden aan dat het in het kwantumgeval een gevolg is van de kwantum-niet-klonen-stelling - een stelling die verbiedt het maken van een perfecte kopie van een kwantumtoestand.

Door deze gelijkenis te onthullen, de nieuwe resultaten generaliseren enkele belangrijke ideeën in de klassieke statistische leertheorie naar kwantumscenario's. Eigenlijk, deze generalisatie reduceert complexe protocollen tot eenvoudigere zonder prestatieverlies, waardoor het gemakkelijker wordt om ze te ontwikkelen en uit te voeren. Bijvoorbeeld, een potentieel voordeel is de mogelijkheid om toegang te krijgen tot de status van het leeralgoritme tussen de trainings- en testfasen. Voortbouwend op deze resultaten, de onderzoekers verwachten dat toekomstig werk zou kunnen leiden tot een volledige kwantumtheorie van risicogrenzen in kwantumstatistisch leren.

"Inductief gesuperviseerde kwantumleeralgoritmen zullen worden gebruikt om informatie die is opgeslagen in kwantumsystemen op een geautomatiseerde en aanpasbare manier te classificeren, eenmaal getraind met voorbeeldsystemen, Sentís zei. "Ze zullen potentieel nuttig zijn in allerlei situaties waarin informatie van nature in een kwantumvorm wordt gevonden, en zal waarschijnlijk deel uitmaken van toekomstige protocollen voor de verwerking van kwantuminformatie. Onze resultaten zullen helpen bij het ontwerpen en benchmarken van deze algoritmen tegen de best haalbare prestaties die door de kwantummechanica zijn toegestaan."

© 2017 Fys.org