Kvanttikoneoppimisessa

Kvanttikoneoppimisessa tarkoitetaan tutkimusalaa, jossa kvanttitietokoneita tai kvanttifysiikan ilmiöitä käytetään koneoppimistehtävien ratkaisemiseen. Tavoitteena on kehittää algoritmeja, jotka hyödyntävät kvanttien superpositiota, lomittumista ja mittausprosessin erityispiirteitä sekä mahdollisesti parantavat suorituskykyä tietyissä oppimis- tai optimointitehtävissä. Alaan kuuluu sekä kvanttialgoritmit, jotka pyörivät suoraan kvanttilaitteissa, että hybridi-arkkitehtuurit, joissa kvanttiosuus yhdistetään klassiseen laskentaan.

Keskeisiä käsitteitä ovat kvanttipiirit ja parametreitetut kvanttiriisut (variational quantum circuits, PQC), joita optimoidaan klassisen ohjausmenetelmän avulla. Toisaalta kehitetään kvanttipohjaisia kernelsmenetelmiä, kuten quantum kernel -lähestymistapoja, sekä kvanttisia ulottuvuuksien supistamiseen (kvaPCA). Muita huomattavia suuntauksia ovat kvanttiset neuroverkot (QNN) ja kvanttiläserät, sekä kvanttinen puhdas- ja epälineaarinen oppiminen, kuten QSVM- ja kvanttimetodit tukivektorikoneisiin. Data voidaan syöttää kvanttitiloihin eri tavoin, esimerkiksi amplitudien syöttämisellä tai kvanttisilla ominaisuusmappauksilla.

Hajautettuja ja nykykunnossaan rajoitetusti toimivia ratkaisuja rakennetaan erityisesti NISQ-laitteille (nopeasti epäjatkuvilla, meluherkillä tiloilla). Haasteisiin kuuluu kvanttihäiriöt, rajoitettu viritys- ja korjauskyky, sekä syötteen/poiston pullonkaulat. Siksi monet tutkimukset painottavat hybridiahyä: kvantti osuus varioidaan, klassinen osuus kouluttaa.

Tulevaisuudessa odotetaan edistystä sekä farktltorien kvanttitekniikoissa että kvanttia hyödyntävien klassisten algoritmien kehittämisessä. Tavoitteena on entistä skaalautuvammat, luotettavammat kvanttipohjaiset koneoppimisratkaisut sekä parempi ymmärrys siitä, missä tehtävissä kvantti tarjoaa todellista hyötyä.