これは非常に未解決の質問ですが、はい、この面でかなりの量の作業が行われています。
いくつかの説明
まず第一に、機械学習(特にディープラーニング)と量子力学/量子コンピューティングを統合する2つの主な方法があることに注意してください。
→
量子力学/量子情報/量子計算のコンテキストで発生する問題に取り組むために、古典的な機械学習技術を適用します。この分野はあまりにも急速に成長しているので、まともな参照リストを試すことすらできないので、この方向の最新の作品にリンクします: 1803.04114著者は、オーバーラップを計算するための回路を見つけるために、機械学習アプローチを使用しました2つの状態の間(この同じ方向に他の多くの作品があります)、1803.05193で著者は、深層ニューラルネットワークを使用して量子制御補正スキームを見つける方法を研究しました。
→ ML
ビッグデータを分析するための量子アルゴリズムの研究。これは、多くの場合、古典的な機械学習アルゴリズムの「量子一般化」を探すことになります。あなたは私のこの他の答えを見て、このトピックに関するいくつかの基本的な参照を得ることができます。より具体的には、ディープラーニングの場合、 1412.3489(適切に Quantum Deep Learningと呼ばれる)で、著者は一般に、ディープで制限されたボルツマンマシンのトレーニングを高速化する方法(効果的には、量子アルゴリズム)を提案しています。ここで関連するもう1つの参考文献は1712.05304で、著者は、量子ボルツマンマシンをトレーニングするための低深度量子アルゴリズムを開発しています。1708.09757を参照、およびリンクされた回答のリファレンスを参照して、これに関するさらに多くの作品を見つけてください。これらの作品で主張されている高速化は、指数関数的な高速化から多項式的な高速化まで、大きく異なる可能性があることに注意してください。
場合によっては、特定の線形代数問題を解決するために量子アルゴリズムを使用することで高速化が生じます(たとえば(1707.08561)の表1を参照してください。物事(しかし、ほとんどはこれら2)DunjkoとBriegelから引用。ここに:
MLの量子増強のアイデアは、2つのグループに大まかに分類できます。a)Groverの探索と振幅増幅に依存して2次までの高速化を得るアプローチと、b)関連情報を量子振幅にエンコードするアプローチ、さらに指数関数的に改善される可能性があります。アプローチの2番目のグループは、おそらく量子MLで最も開発された研究ラインを形成し、量子MLの提案で使用される、特に顕著な量子線形代数を収集します。
3つの質問に対するより直接的な回答
上記を言った後、あなたが挙げた3つのポイントにもっと直接答えさせてください。
深層学習アルゴリズムを量子コンピューターで実行できますか?最も間違いなく、古典的なコンピューターで何かを実行できるのであれば、量子コンピューターでも実行できます。ただし、質問する必要があるのは、量子(深)機械学習アルゴリズムを従来の同等物よりも効率的にすることができるということです。答えこの質問はトリッキーです。おそらくはい、この方向には多くの提案がありますが、何がうまくいくか、何がうまくいかないかを言うのは早すぎます。
試すのは理にかなっていますか?はい!
- ディープラーニングを無関係にする他の量子アルゴリズムはありますか?これは、「無関係」の意味に大きく依存します。つまり、現時点で知られていることですが、ディープラーニングを「無関係」にする古典的なアルゴリズムが非常によくあるかもしれません。