Kvantemaskinelæring er en gren af videnskaben i skæringspunktet mellem kvantefysik og datalogi , hvor der udvikles og studeres maskinlæringsmetoder , som effektivt kan bruge kvantecomputeres parallelitet .
Der er tre hovedindlæringsmodeller, der bruges i kvantemaskinelæring:
I denne model er målet med læring at finde en funktion, der matcher den ukendte funktion så tæt som muligt. Samtidig er det muligt at stille forespørgsler og få præcise svar om værdien af den ukendte funktion for forskellige værdier af argumenterne. Effektiviteten af kvantealgoritmer i forhold til klassiske afhænger i dette tilfælde af, hvordan indlæringseffektiviteten måles. Hvis målet for effektivitet er antallet af foretaget forespørgsler, så overhaler kvantealgoritmer de klassiske kun polynomielt, men hvis effektivitetsmålet er indlæringstiden, så er der klasser af funktioner, for hvilke kvantealgoritmer er meget hurtigere end klassiske, forudsat at det er muligt at implementere kvanteforespørgsler (det vil sige forespørgsler, der er i kvantesuperposition af klassiske forespørgsler).
Denne model søger også efter den funktion, der passer bedst til den ukendte funktion, men der er ingen mulighed for at lave forespørgsler. I stedet er der et sæt prøver. Matematisk er målet at opstille en hypotese om den ukendte funktion, der bedst passer til den ukendte funktion på et givet sæt prøver. Forskellen mellem kvante-PAC-læring og klassisk læring er, at disse prøver generelt kan være i en tilstand af kvante-superposition. I det generelle tilfælde giver dette dog ikke en signifikant gevinst, og kvantealgoritmen adskiller sig i hastighed fra den klassiske kun ved en konstant faktor. Der er dog en vis klasse af ukendte funktioner, hvor kvante-PAC-læring er meget hurtigere end klassisk læring.
I denne model, givet en sekvens på n bit, er opgaven at finde en hypotese, der bedst forudsiger n + 1 bit. Ligesom i PAC-modellen er kvantealgoritmer her generelt ikke meget hurtigere end klassiske.
Rødderne til kvantemaskinelæring ligger i to store grene af teoretisk datalogi , der opstod næsten samtidigt i 1980'erne: maskinlæring og kvantecomputervidenskab . Det første arbejde, der forsøgte at bruge kvanteeffekter til at forbedre maskinlæringsmetoder, var arbejdet af Nader Bshuti og Jeffrey Jackson i 1999 [1] , hvor de foreslog brugen af såkaldte kvanteprøver til læring, det vil sige prøver, der er i en tilstand af kvantesuperposition af flere klassiske prøver.
I 2000'erne blev kvantealgoritmer også foreslået til at løse nogle typiske maskinlæringsproblemer. For eksempel blev der i 2006 [2] foreslået en variant af Grovers algoritme for klyngeproblemet .