多くの人々は、量子コンピューターは、フィールドを大きく後押しできる新しい機械学習とAIアルゴリズムを作成する上で重要なステップであると証明できると信じています。私たちの脳は量子コンピューターであるかもしれないという研究さえありましたが、これまでのところ、研究者の間でコンセンサスはありません。
私はこの分野にまったく慣れていないので、AIの量子コンピューターのアプリケーションで、理論的に言えば、あるタスクで優れたパフォーマンスを発揮するか、現代のディープラーニングアルゴリズムよりも速く収束する可能性のある研究があるかどうかを知りたかったのです。
回答:
量子力学が機械学習による古典的なデータの分析にどのように役立つかに関する質問の一部にのみ答えます。「量子AI」に関連する作品もありますが、それははるかに投機的な（そしてあまり定義されていない）種類のものであり、私は入りたくありません。
それでは、量子コンピューターを使用して、機械学習アルゴリズムを介してデータ分析を高速化できますか？引用スコット・アーロンソンのリード細かい印刷紙、複雑な答えを持つ単純な質問ですね。
まず、この種の質問に答えようとすることは、量子機械学習の研究分野の重要な部分であることに注意してください（最近では、量子強化機械学習または量子支援機械学習という用語が好まれているようです） QMとMLのこのマージを参照し、QMの問題の解決に役立つMLの使用と区別するため）。ウィキペディアのページからわかるように、この分野では多くのことが行われています。関連する論文の包括的なリストをここで試してみても意味がありません。
Schuldらからの引用。2014年、量子支援機械学習（QAML）の背後にある考え方は次のとおりです。
グローバルに保存されるデータの量は毎年約20％増加しているため（現在は数百エクサバイトのオーダー[1]）、機械学習への革新的なアプローチを見つける圧力が高まっています。アカデミアと主要IT企業の研究室で現在調査されている有望なアイデアは、古典的な機械学習アルゴリズムを最適化するために量子コンピューティングの可能性を活用しています。
あなたの質問に戻って、最初の一見肯定的な答えがHarrowらによって提供されました。2009年、データが量子状態で保存されているときに機能する、方程式の線形システムを反転させる効率的な量子アルゴリズムを（システム上の多くの条件下で）与えました。この基本的な線形代数演算、同じ著者の一部（で機械学習の問題を解決するために多くの提案の量子アルゴリズムにつながっ発見され1307.0401、1307.0411、1307.0471）だけでなく、他の多くによって。あなたのような、参照のより包括的なリストを取得するために見て持つことができることになりました多くのレビューはあり1409.3097、1512.02900、1611.09347は、1707.08561、1708.09757、ピーターWittekの本、そしておそらくより。
ただし、これが実際にどのように機能するかは確立されていません。その理由のいくつかは、アーロンソンの論文で詳しく説明されています：細かい活字を読む（公開版：nphys3272も参照）。非常に大雑把に言えば、問題は、量子アルゴリズムが一般に量子状態に格納された「データ」を処理し、しばしばベクトルを状態の振幅にエンコードすることです。これは、たとえば、QFTの場合であり、HHL09および派生作品の場合でも同様です。
これに関する大きな問題（または大きな問題の1つ）は、処理のためにこの「量子」状態に「大きな」古典的なデータを効率的にロードする方法が明らかではないことです。これに対する一般的な答えは「qRAMを使用するだけです」が、多くの注意事項もあります。これは、データが入ったら指数関数的高速化を維持するためにこのプロセスを非常に高速にする必要があるためです。量子形式。警告の詳細については、再度アーロンソンの論文を参照してください。
私たちの脳は量子力学であるという議論があり、反対の議論があるので、それは熱く議論されているトピックです。UCSBのフィッシャーは、脳が量子力学でなくても量子効果をどのように使用するかについて、いくつかの推測的な考えを持っています。直接的な実験的証拠はありませんが、読みたい参考文献が2つあります。
現在、量子コンピューティングと機械学習の使用をテーマに、Rigetti Computingは、プロトタイプの量子チップ（19キュビット）を使用したクラスタリングアルゴリズムを実証しています。彼らは調査結果をarXiv.orgのホワイトペーパーにここに公開しました。
そのため、機械学習、そして最終的には、量子コンピューティングimhoを使用したAIを進歩させる機会があることは明らかです。
量子コンピューターでこれまでに行われた作業の多くは、組み合わせ最適化問題の解決に焦点を合わせてきました。D-WaveスタイルのQuantum Annealerと、Rigetti、IBM、Googleの最新のGate Modelマシンの両方が、組み合わせ最適化の問題を解決しています。機械学習と量子コンピューティングを接続するための有望なアプローチの1つは、標準的な機械学習タスク内で最適化問題を見つけることです。
たとえば、最近のRigettiの論文「 ハイブリッド量子コンピューターで の教師なし機械学習」は、データを2平均クラスタリングとも呼ばれる2つのグループにクラスタリングする教師なし機械学習の問題を、MaxCutの組み合わせ最適化問題に本質的に作り直しています。リゲッティの人々は、量子近似最適化アルゴリズム（QAOA）でMaxCut問題を解決します。
特に最適化と機械学習の自然なつながりを考えると、このスタイルの仕事が将来もっと見られると思います。