Responderei apenas à parte da pergunta sobre como a mecânica quântica pode ser útil para a análise de dados clássicos via aprendizado de máquina. Também existem trabalhos relacionados à "IA quântica", mas esse é um tipo de coisa muito mais especulativa (e menos definida), na qual não quero entrar.
Assim, os computadores quânticos podem ser usados para acelerar a análise de dados por meio de algoritmos de aprendizado de máquina ? Citação de Scott Aaronson Leia o papel fino , é uma pergunta simples com uma resposta complicada .
Antes de tudo, deve-se notar que tentar responder a esse tipo de pergunta é uma grande parte do que trata a área de pesquisa do Aprendizado de Máquina Quântica (mais recentemente, os termos aprendizado de máquina com aprimoramento quântico ou aprendizado de máquina com assistência quântica parecem ser os preferidos. para se referir a essa fusão de QM e ML, para distingui-lo do uso de ML para ajudar a resolver problemas em QM). Como você pode ver na página da Wikipedia, há muitas coisas acontecendo em campo, e seria inútil tentar fornecer uma lista abrangente de artigos relevantes aqui, pois seria desatualizado rapidamente.
Citando Schuld et al. 2014 , a idéia por trás do Quantum-Assisted Machine Learning (QAML) é a seguinte:
Como o volume de dados armazenados globalmente cresce cerca de 20% a cada ano (atualmente variando na ordem de várias centenas de exabytes [1]), aumenta a pressão para encontrar abordagens inovadoras para o aprendizado de máquina. Uma ideia promissora atualmente investigada pela academia e pelos laboratórios de pesquisa das principais empresas de TI explora o potencial da computação quântica para otimizar os algoritmos clássicos de aprendizado de máquina.
Voltando à sua pergunta, uma primeira resposta aparentemente positiva foi fornecida por Harrow et al. 2009 , que deu um algoritmo quântico eficiente para inverter o sistema linear de equações (sob várias condições sobre o sistema), funcionando quando os dados são armazenados em estados quânticos. Por ser uma operação de álgebra linear fundamental, a descoberta levou a muitos algoritmos quânticos propostos para resolver problemas de aprendizado de máquina por alguns dos mesmos autores ( 1307.0401 , 1307.0411 , 1307.0471 ) e por muitos outros. Atualmente, existem muitas revisões para obter listas de referências mais abrangentes, como 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , livro de Peter Wittek e provavelmente mais.
No entanto, está longe de ser estabelecido como isso funcionaria na prática. Algumas das razões estão bem explicadas no artigo de Aaronson: Leia as letras pequenas (consulte também a versão publicada: nphys3272 ). Em termos gerais, o problema é que os algoritmos quânticos geralmente lidam com "dados" armazenados em estados quânticos, geralmente codificando vetores nas amplitudes do estado. Esse é, por exemplo, o caso da QFT , e ainda é o caso do HHL09 e de trabalhos derivados.
O grande problema (ou um dos grandes) com isso é que está longe de ser óbvio como você pode carregar eficientemente os "grandes" dados clássicos nesse estado quântico para processamento. A resposta típica para isso é "só precisamos usar uma qRAM ", mas isso também vem com muitas ressalvas, pois esse processo precisa ser muito rápido para manter a aceleração exponencial que agora podemos ser alcançados quando os dados estiverem disponíveis. forma quântica. Refiro-me novamente ao artigo de Aaronson para obter mais detalhes sobre as advertências.