Изучаем, как обрабатывать классические данные в квантовых моделях

Квантовые вычисления в последние годы привлекли растущий интерес со стороны исследователей, бизнеса и общественности. «Квантовый» стал модным словом, которое многие используют для привлечения внимания. С популяризацией этой области возникла и квантовая машинная обучаемость (QML), которая представляет собой пересечение квантовых вычислений и машинного обучения. Как человек, интересующийся машинным обучением и любящий математику и квантовые вычисления, я нахожу концепцию квантовой машинной обучаемости очень привлекательной. Однако как исследователь в этой области я также немного скептически отношусь к краткосрочным приложениям QML.

Сегодня машинное обучение поддерживает такие инструменты, как системы рекомендаций и медицинская диагностика, находя закономерности в данных и делая прогнозы. Квантовые вычисления, напротив, обрабатывают информацию иначе, используя такие эффекты, как суперпозиция и запутанность. Область квантовой машинной обучаемости исследует эту возможность и пытается ответить на вопрос: могут ли квантовые компьютеры помочь нам более эффективно учиться на данных? Тем не менее, как и в случае с любым аспектом квантовых вычислений, важно установить четкие ожидания. Квантовые компьютеры сейчас имеют недостатки и не способны выполнять крупномасштабные программы.

Тем не менее они могут служить доказательством концепции полезности QML в различных приложениях. Более того, QML не предназначена для замены классического машинного обучения. Вместо этого она ищет те части процесса обучения, где квантовые системы могут предложить преимущества, такие как представление данных, исследование сложных пространств признаков или оптимизация. Учитывая это, как может специалист по данным или инженер по машинному обучению начать изучать QML? Любой алгоритм машинного обучения (квантовый или классический) требует данных. Первый шаг всегда заключается в подготовке и очистке данных.

Статья посвящена рабочим процессам QML и методам кодирования данных. Прежде чем перейти к данным, давайте кратко определим, что такое квантовая машинная обучаемость. На высоком уровне квантовая машинная обучаемость относится к алгоритмам, которые используют квантовые системы для выполнения задач машинного обучения, включая классификацию, регрессию, кластеризацию и оптимизацию. Большинство современных подходов попадают в категорию гибридных квантово-классических моделей, где классические компьютеры обрабатывают ввод данных и оптимизацию, в то время как квантовые цепи являются частью модели.

Полезно думать об этом так: классическое машинное обучение сосредоточено на разработке признаков, в то время как квантовая машинная обучаемость часто сосредоточена на кодировании признаков в квантовые состояния. Поскольку данные могут принимать различные формы, рабочие процессы QML могут выглядеть по-разному в зависимости от типа ввода и алгоритма. Если у нас есть классические данные и классический алгоритм, это наш типичный рабочий процесс машинного обучения. Остальные три варианта становятся более интересными.

Первый вариант — это использование квантных данных с квантовой моделью. Это самый простой подход, когда входные данные уже являются квантовым состоянием. Однако на практике этот рабочий процесс ограничен из-за таких проблем, как доступ к квантным данным, подготовка состояния и контроль, а также ограничения измерений. Второй вариант — использование квантных данных с классическими алгоритмами. На первый взгляд это кажется естественным продолжением. Если квантовые системы могут генерировать богатые, многомерные данные, почему бы не использовать классические модели машинного обучения для их анализа? На практике этот рабочий процесс осуществим, но с важным ограничением: квантовая система описывается состоянием, которое содержит экспоненциально много амплитуд. Однако классические алгоритмы не могут напрямую получить доступ к этому состоянию. Вместо этого нам нужно измерить систему, чтобы извлечь классическую информацию.