Taalverwerving bij jonge kinderen hangt blijkbaar samen met hun vermogen om patronen te ontdekken. In hun leerproces ze zoeken naar patronen in de dataset die hen helpen grammaticale structuren te identificeren en te optimaliseren om de taal goed te verwerven. Hetzelfde, online vertalers gebruiken algoritmen door middel van machine learning-technieken om hun vertaalmachines te optimaliseren om goed afgeronde en begrijpelijke resultaten te produceren. Hoewel veel vertalingen in het begin niet veel zin hadden, de afgelopen jaren hebben we grote verbeteringen kunnen zien dankzij machine learning.

Machine learning-technieken gebruiken wiskundige algoritmen en hulpmiddelen om patronen in gegevens te zoeken. Deze technieken zijn krachtige hulpmiddelen geworden voor veel verschillende toepassingen, die kunnen variëren van biomedische toepassingen zoals bij kankerverkenning, in genetica en genomica, in autisme monitoring en diagnose en zelfs plastische chirurgie, tot pure toegepaste natuurkunde, voor het bestuderen van de aard van materialen, materie of zelfs complexe kwantumsystemen.

In staat om zich aan te passen en te veranderen wanneer ze worden blootgesteld aan een nieuwe set gegevens, machine learning kan patronen identificeren, vaak beter dan mensen in nauwkeurigheid. Hoewel machine learning een krachtig hulpmiddel is, bepaalde toepassingsdomeinen blijven buiten bereik door complexiteit of andere aspecten die het gebruik van de voorspellingen die leeralgoritmen bieden uitsluiten.

Dus, in recente jaren, kwantummachine learning is een kwestie van belang geworden vanwege het enorme potentieel als mogelijke oplossing voor deze onoplosbare uitdagingen en kwantumcomputers blijken het juiste hulpmiddel voor de oplossing te zijn.

In een recente studie, gepubliceerd in Natuur , een internationaal team van onderzoekers geïntegreerd door Jacob Biamonte van Skoltech/IQC, Peter Wittek van ICFO, Nicola Pancotti van MPQ, Patrick Rebentrost van MIT, Nathan Wiebe van Microsoft Research, en Seth Lloyd van MIT hebben de huidige status van klassieke machine learning en quantum machine learning bekeken. In hun recensie, ze hebben verschillende scenario's die te maken hebben met klassiek en kwantummachine learning grondig aangepakt. In hun studie hebben ze hebben verschillende mogelijke combinaties overwogen:de conventionele methode om klassieke machine learning te gebruiken om klassieke gegevens te analyseren, het gebruik van kwantummachine learning om zowel klassieke als kwantumgegevens te analyseren, en tenslotte, klassieke machine learning gebruiken om kwantumgegevens te analyseren.

Ten eerste, ze wilden een diepgaand beeld geven van de status van de huidige gesuperviseerde en niet-gesuperviseerde leerprotocollen in klassieke machine learning door alle toegepaste methoden te vermelden. Ze introduceren kwantummachine learning en bieden een uitgebreide benadering van hoe deze techniek kan worden gebruikt om zowel klassieke als kwantumgegevens te analyseren. benadrukkend dat kwantummachines de verwerkingstijdschalen kunnen versnellen dankzij het gebruik van kwantumgloeiers en universele kwantumcomputers. Quantum-gloeitechnologie heeft een betere schaalbaarheid, maar meer beperkte gebruiksgevallen. Bijvoorbeeld, de nieuwste versie van D-Wave's supergeleidende chip integreert tweeduizend qubits, en het wordt gebruikt voor het oplossen van bepaalde harde optimalisatieproblemen en voor efficiënte bemonstering. Anderzijds, universele (ook wel gate-based) kwantumcomputers zijn moeilijker op te schalen, maar ze zijn in staat om willekeurige unitaire operaties op qubits uit te voeren door reeksen van kwantumlogische poorten. Dit lijkt op hoe digitale computers willekeurige logische bewerkingen kunnen uitvoeren op klassieke bits.

Echter, ze gaan in op het feit dat het besturen van een kwantumsysteem zeer complex is en het analyseren van klassieke gegevens met kwantumbronnen niet zo eenvoudig is als men zou denken, voornamelijk vanwege de uitdaging om kwantuminterface-apparaten te bouwen waarmee klassieke informatie kan worden gecodeerd in een kwantummechanische vorm. Moeilijkheden, zoals de "input"- of "output"-problemen lijken de grootste technische uitdaging te zijn die moet worden overwonnen.

Het uiteindelijke doel is om de meest geoptimaliseerde methode te vinden die kan lezen, de beste resultaten van een dataset begrijpen en verkrijgen, of het nu klassiek of kwantum is. Quantum machine learning is zeker gericht op een revolutie op het gebied van computerwetenschappen, niet alleen omdat het in staat zal zijn om kwantumcomputers te besturen, het versnellen van de informatieverwerkingssnelheden tot ver boven de huidige klassieke snelheden, maar ook omdat het in staat is om innovatieve functies uit te voeren, dergelijke kwantum diep leren, die niet alleen contra-intuïtieve patronen in data konden herkennen, onzichtbaar voor zowel klassieke machine learning als voor het menselijk oog, maar reproduceren ze ook.

Zoals Peter Wittek ten slotte stelt:"Het schrijven van dit artikel was een hele uitdaging:we hadden een commissie van zes co-auteurs met verschillende ideeën over wat het vakgebied is, waar het nu is, en waar het heen gaat. We herschreven het papier drie keer helemaal opnieuw. De definitieve versie had niet kunnen worden voltooid zonder de toewijding van onze redacteur, aan wie we dank verschuldigd zijn."