(Phys.org) - Fysiker har funnit att strukturen hos vissa typer av kvantinlärningsalgoritmer liknar mycket deras klassiska motsvarigheter - ett fynd som hjälper forskare att vidareutveckla kvantversionerna. Klassiska maskininlärningsalgoritmer används för närvarande för att utföra komplexa beräkningsuppgifter, såsom mönsterigenkänning eller klassificering i stora mängder data, och utgör en avgörande del av många moderna tekniker. Syftet med kvantinlärningsalgoritmer är att föra in dessa funktioner i scenarier där information finns i en helt kvantform.

Forskarna, Alex Monràs vid det autonoma universitetet i Barcelona, Spanien; Gael Sentís vid universitetet i Baskien, Spanien, och universitetet i Siegen, Tyskland; och Peter Wittek vid ICFO-The Institute of Photonic Science, Spanien, och universitetet i Borås, Sverige, har publicerat en uppsats om sina resultat i ett nyligen utgåva av Fysiska granskningsbrev .

"Vårt arbete avslöjar strukturen för en allmän klass av kvantinlärningsalgoritmer på en mycket grundläggande nivå, "Berättade Sentis Phys.org . "Det visar att de potentiellt mycket komplexa operationerna som ingår i en optimal kvanteppsättning kan släppas till förmån för ett mycket enklare operativt system, som är analog med den som används i klassiska algoritmer, och ingen prestanda går förlorad i processen. Detta fynd hjälper till att fastställa de ultimata möjligheterna för kvantinlärningsalgoritmer, och öppnar dörren för att tillämpa viktiga resultat i statistiskt lärande till kvantscenarier. "

I deras studie, fysikerna fokuserade på en specifik typ av maskininlärning som kallas induktivt övervakat lärande. Här, algoritmen ges utbildningsinstanser från vilka den extraherar allmänna regler, och sedan tillämpar dessa regler på en mängd olika test (eller problem) instanser, vilka är de faktiska problemen som algoritmen är utbildad för. Forskarna visade att både klassiska och kvantinduktiva övervakade inlärningsalgoritmer måste ha dessa två faser (en träningsfas och en testfas) som är helt distinkta och oberoende. Medan i den klassiska upplägget detta resultat trivialt följer av klassisk information, fysikerna visade att det i kvantfallet är en följd av kvantitet utan kloning, ett teorem som förbjuder att göra en perfekt kopia av ett kvanttillstånd.

Genom att avslöja denna likhet, de nya resultaten generaliserar några nyckeltankar inom klassisk statistisk inlärningsteori till kvantscenarier. Väsentligen, denna generalisering minskar komplexa protokoll till enklare utan att förlora prestanda, gör det lättare att utveckla och genomföra dem. Till exempel, en potentiell fördel är möjligheten att få tillgång till inlärningsalgoritmens tillstånd mellan tränings- och testfaserna. Utifrån dessa resultat, forskarna förväntar sig att framtida arbete kan leda till en helt kvantteori om riskgränser i kvantstatistiskt lärande.

"Induktiva övervakade kvantinlärningsalgoritmer kommer att användas för att klassificera information som lagras i kvantsystem på ett automatiserat och anpassningsbart sätt, en gång utbildad med provsystem, "Sa Sentis." De kommer att vara användbara i alla möjliga situationer där information naturligt finns i en kvantform, och kommer sannolikt att vara en del av framtida protokoll för kvantinformationsbehandling. Våra resultat hjälper till att designa och jämföra dessa algoritmer mot den bästa möjliga prestanda som tillåts av kvantmekanik. "

© 2017 Phys.org