Quantum machine learning

 El quantum machine learning o aprendizaje automático cuántico, combina las disciplinas de la física cuántica y la informática.

Desde su nacimiento, reunió grandes expectativas de ofrecer soluciones al análisis de grandes cantidades de datos. Aunque recientemente empresas como Microsoft y Google han invertido grandes sumas de dinero en la investigación del aprendizaje automático cuántico, todavía se encuentra en su etapa inicial, y queda mucho por ser desarrollado e investigado en este campo.

A la hora de adaptar los métodos usados comunmente en el aprendizaje automático a la computación cuántica hay varias aproximaciones:

Maquinas de soporte vectorial cuánticas

Las máquinas de soporte vectoriales toman un conjunto de datos presentados como puntos en el espacio. Estos puntos pueden pertenecer a 2 categorías, y estas máquinas dividen en 2 los puntos del espacio mediante el uso de un hiperplano. 

Para entenderlo mejor imaginate un campo de fútbol justo antes de que el árbitro pite el comienzo del partido. Dividir a los jugadores de ambos equipos es muy fácil trazando una línea que coincide con la línea del centro del campo. Pero si esperamos un par de minutos, todos los jugadores estarán mezclados, haciendo mucho más difícil la división. Y si además en vez de trabajar en 2 dimensiones ( plano), trabajáramos en 3, por ejemplo una pecera con 2 tipos de peces diferentes el trabajo es aún más difícil(en este caso una línea no es suficiente para dividir en 2 el espacio, necesitamos un plano, por lo que el hiperplano tiene una dimensión menos que el espacio en el que trabajamos). Cabe decir que la línea o el plano (en el caso de 2 y 3 dimensiones respectivamente, no tienen porque ser rectos, sino que pueden venir definidos por una función como f(x)=x^3+2x^2+5x-2)

Aplicando algoritmos cuánticos esta tarea puede facilitarse, realizándola en tiempo logarítmico, mientras que la dependencia de los métodos clásicos es polinómica)

Algoritmos cuánticos de agrupamiento y métodos K-nn

Estos métodos agrupan los datos calculando que vectores están más cerca entre si (los datos se representan mediante vectores). Para esta tarea, lo más importante es saber como aplicar los métodos cuánticos para calcular distancias clásicas. Una opción es utilizar la superposición de 2 funciones de onda para calcular la distancia entre 2 estados cuánticos. Ya existe un algoritmo que nos permite calcular la distancia mínima entre los dos estados, el Algoritmo de Grover. Estos tipos de algoritmos que funcionan calculando las distancias, pueden ser calculados mediante la computación cuántica adiabática.

Redes neuronales cuánticas

Aunque en su origen fueron investigadas desde una perspectiva diferente, el papel de los efectos cuánticos en las redes neuronales, el enfoque cambió rápidamente hacia la computación. Desde entonces se han publicado diferentes ideas sobre modelos de redes neuronales cuánticas.

Con la llegada de las tecnologías NISQ (Noisy intermediate-scale quantum o Computadores cuánticos ruidosos de escala intermedia) ha surgido la propuesta de cambiar la red neuronal por un circuito cuántico (algoritmo híbrido que implementa procesamientos tanto de computadores clásicos como cuánticos)