Pemelajaran mesin kuantum

Pemelajaran mesin kuantum (bahasa Inggris: quantum machine learning) adalah integrasi antara algoritma kuantum dan program pemelajaran mesin.[1][2][3][4][5][6][7][8]

Penggunaan istilah yang paling umum merujuk pada penerapan algoritma pemelajaran mesin untuk analisis data klasik yang dikerjakan di komputer kuantum, artinya pemelajaran mesin kuantum adalah pemelajaran mesin yang disempurnakan secara kuantum.[9][10][11] Di sisi algoritma pemelajaran mesin digunakan untuk menghitung data dalam jumlah yang sangat besar, pemelajaran mesin kuantum menggunakan qubit. Operasi atau sistem kuantum khusus ini diharapkan dapat meningkatkan kecepatan komputasi dan penyimpanan data yang dilakukan oleh algoritma dalam sebuah program.[12] Pemelajaran mesin kuantum termasuk juga di dalamnya metode hibrida yang melibatkan pemrosesan klasik dan kuantum, yaitu subrutin (subroutine) yang sulit secara komputasi jika dilakukan secara tradisional sehingga dialihkan ke perangkat kuantum.[13][14][15] Subroutine mungkin melibatkan proses atau komputasi yang lebih rumit, mungkin sulit diimplementasikan atau dihitung dengan metode klasik saja. Pemanfaatan komputer kuantum dalam hal ini diharapkan dapat meningkatkan efisiensi dalam menangani tugas-tugas yang kompleks tersebut.[7] Selain itu, algoritma kuantum dapat digunakan untuk menganalisis keadaan kuantum alih-alih data klasik.[16][17]

Di luar komputasi kuantum, istilah "pemelajaran mesin kuantum" juga dikaitkan dengan metode pemelajaran mesin klasik yang diterapkan pada data yang dihasilkan dari eksperimen kuantum (yaitu pemelajaran mesin sistem kuantum), seperti pemelajaran transisi fasa dari sistem kuantum [18][19] atau membuat eksperimen kuantum yang baru.[20][21][22]

Pemelajaran mesin kuantum juga meluas ke cabang penelitian yang mengeksplorasi kesamaan metodologis dan struktural antara sistem fisik tertentu dan sistem pemelajaran, khususnya jaringan saraf. Sebagai contoh, beberapa metode matematika dan numerik dari fisika kuantum dapat diterapkan pada pemelajaran dalam klasik dan sebaliknya.[23][24][25]

Hubungan lebih jauh lagi, para ilmuwan menyelidiki gagasan yang lebih abstrak tentang teori pemelajaran dengan informasi kuantum, yang kadang-kadang disebut sebagai "teori pemelajaran kuantum".[26][27]

Empat pendekatan yang berbeda untuk menggabungkan disiplin ilmu komputasi kuantum dan pemelajaran mesin. [28][29] Huruf pertama merujuk kepada apakah sistem yang diteliti bersifat klasik atau kuantum, sedangkan huruf kedua mendefinisikan apakah alat pemroses informasi yang digunakan bersifat klasik atau kuantum.

Lihat juga

sunting

References

sunting
  1. ^ Ventura, Dan (2000). "Quantum Associative Memory". Information Sciences. 124 (1–4): 273–296. arXiv:quant-ph/9807053 . doi:10.1016/S0020-0255(99)00101-2. 
  2. ^ Trugenberger, Carlo A. (2001). "Probabilistic Quantum Memories". Physical Review Letters. 87 (6): 067901. arXiv:quant-ph/0012100 . Bibcode:2001PhRvL..87f7901T. doi:10.1103/PhysRevLett.87.067901. PMID 11497863. 
  3. ^ Trugenberger, Carlo A. (2002). "Quantum Pattern Recognition". Quantum Information Processing. 1 (6): 471–493. doi:10.1023/A:1024022632303. 
  4. ^ Trugenberger, C. A. (2002-12-19). "Phase Transitions in Quantum Pattern Recognition". Physical Review Letters. 89 (27): 277903. arXiv:quant-ph/0204115 . Bibcode:2002PhRvL..89A7903T. doi:10.1103/physrevlett.89.277903. ISSN 0031-9007. PMID 12513243. 
  5. ^ Biamonte, Jacob; Wittek, Peter; Nicola, Pancotti; Rebentrost, Patrick; Wiebe, Nathan; Lloyd, Seth (2017). "Quantum machine learning". Nature. 549 (7671): 195–202. arXiv:1611.09347 . Bibcode:2017Natur.549..195B. doi:10.1038/nature23474. PMID 28905917. 
  6. ^ Schuld, Maria; Petruccione, Francesco (2018). Supervised Learning with Quantum Computers. Quantum Science and Technology. doi:10.1007/978-3-319-96424-9. ISBN 978-3-319-96423-2. 
  7. ^ a b Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco (2014). "An introduction to quantum machine learning". Contemporary Physics. 56 (2): 172–185. arXiv:1409.3097 . Bibcode:2015ConPh..56..172S. CiteSeerX 10.1.1.740.5622 . doi:10.1080/00107514.2014.964942. 
  8. ^ Wittek, Peter (2014). Quantum Machine Learning: What Quantum Computing Means to Data Mining. Academic Press. ISBN 978-0-12-800953-6. 
  9. ^ Wiebe, Nathan; Kapoor, Ashish; Svore, Krysta (2014). "Quantum Algorithms for Nearest-Neighbor Methods for Supervised and Unsupervised Learning". Quantum Information & Computation. 15 (3): 0318–0358. arXiv:1401.2142 . 
  10. ^ Lloyd, Seth; Mohseni, Masoud; Rebentrost, Patrick (2013). "Quantum algorithms for supervised and unsupervised machine learning". arΧiv:1307.0411 [quant-ph]. 
  11. ^ Yoo, Seokwon; Bang, Jeongho; Lee, Changhyoup; Lee, Jinhyoung (2014). "A quantum speedup in machine learning: Finding a N-bit Boolean function for a classification". New Journal of Physics. 16 (10): 103014. arXiv:1303.6055 . Bibcode:2014NJPh...16j3014Y. doi:10.1088/1367-2630/16/10/103014. 
  12. ^ Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco (2014-10-15). "An introduction to quantum machine learning". Contemporary Physics (dalam bahasa Inggris). 56 (2): 172–185. arXiv:1409.3097 . Bibcode:2015ConPh..56..172S. CiteSeerX 10.1.1.740.5622 . doi:10.1080/00107514.2014.964942. ISSN 0010-7514. 
  13. ^ Benedetti, Marcello; Realpe-Gómez, John; Biswas, Rupak; Perdomo-Ortiz, Alejandro (2017-11-30). "Quantum-Assisted Learning of Hardware-Embedded Probabilistic Graphical Models". Physical Review X. 7 (4): 041052. arXiv:1609.02542 . Bibcode:2017PhRvX...7d1052B. doi:10.1103/PhysRevX.7.041052. ISSN 2160-3308. 
  14. ^ Farhi, Edward; Neven, Hartmut (2018-02-16). "Classification with Quantum Neural Networks on Near Term Processors". arΧiv:1802.06002 [quant-ph]. 
  15. ^ Schuld, Maria; Bocharov, Alex; Svore, Krysta; Wiebe, Nathan (2020). "Circuit-centric quantum classifiers". Physical Review A. 101 (3): 032308. arXiv:1804.00633 . Bibcode:2020PhRvA.101c2308S. doi:10.1103/PhysRevA.101.032308. 
  16. ^ Yu, Shang; Albarran-Arriagada, F.; Retamal, J. C.; Wang, Yi-Tao; Liu, Wei; Ke, Zhi-Jin; Meng, Yu; Li, Zhi-Peng; Tang, Jian-Shun (2018-08-28). "Reconstruction of a Photonic Qubit State with Quantum Reinforcement Learning". Advanced Quantum Technologies. 2 (7–8): 1800074. arXiv:1808.09241 . doi:10.1002/qute.201800074. 
  17. ^ Ghosh, Sanjib; Opala, A.; Matuszewski, M.; Paterek, T.; Liew, Timothy C. H. (2019). "Quantum reservoir processing". npj Quantum Information. 5 (35): 35. arXiv:1811.10335 . Bibcode:2019npjQI...5...35G. doi:10.1038/s41534-019-0149-8. 
  18. ^ Broecker, Peter; Assaad, Fakher F.; Trebst, Simon (2017-07-03). "Quantum phase recognition via unsupervised machine learning". arΧiv:1707.00663 [cond-mat.str-el]. 
  19. ^ Huembeli, Patrick; Dauphin, Alexandre; Wittek, Peter (2018). "Identifying Quantum Phase Transitions with Adversarial Neural Networks". Physical Review B. 97 (13): 134109. arXiv:1710.08382 . Bibcode:2018PhRvB..97m4109H. doi:10.1103/PhysRevB.97.134109. ISSN 2469-9950. 
  20. ^ Krenn, Mario (2016-01-01). "Automated Search for new Quantum Experiments". Physical Review Letters. 116 (9): 090405. arXiv:1509.02749 . Bibcode:2016PhRvL.116i0405K. doi:10.1103/PhysRevLett.116.090405. PMID 26991161. 
  21. ^ Knott, Paul (2016-03-22). "A search algorithm for quantum state engineering and metrology". New Journal of Physics. 18 (7): 073033. arXiv:1511.05327 . Bibcode:2016NJPh...18g3033K. doi:10.1088/1367-2630/18/7/073033. 
  22. ^ Dunjko, Vedran; Briegel, Hans J (2018-06-19). "Machine learning & artificial intelligence in the quantum domain: a review of recent progress". Reports on Progress in Physics. 81 (7): 074001. arXiv:1709.02779 . Bibcode:2018RPPh...81g4001D. doi:10.1088/1361-6633/aab406. hdl:1887/71084 . ISSN 0034-4885. PMID 29504942. 
  23. ^ Huggins, William; Patel, Piyush; Whaley, K. Birgitta; Stoudenmire, E. Miles (2018-03-30). "Towards Quantum Machine Learning with Tensor Networks". Quantum Science and Technology. 4 (2): 024001. arXiv:1803.11537 . doi:10.1088/2058-9565/aaea94. 
  24. ^ Carleo, Giuseppe; Nomura, Yusuke; Imada, Masatoshi (2018-02-26). "Constructing exact representations of quantum many-body systems with deep neural networks". Nature Communications. 9 (1): 5322. arXiv:1802.09558 . Bibcode:2018NatCo...9.5322C. doi:10.1038/s41467-018-07520-3. PMC 6294148 . PMID 30552316. 
  25. ^ Bény, Cédric (2013-01-14). "Deep learning and the renormalization group". arΧiv:1301.3124 [quant-ph]. 
  26. ^ Arunachalam, Srinivasan; de Wolf, Ronald (2017-01-24). "A Survey of Quantum Learning Theory". arΧiv:1701.06806 [quant-ph]. 
  27. ^ Sergioli, Giuseppe; Giuntini, Roberto; Freytes, Hector (2019-05-09). "A new Quantum approach to binary classification". PLOS ONE. 14 (5): e0216224. Bibcode:2019PLoSO..1416224S. doi:10.1371/journal.pone.0216224 . PMC 6508868 . PMID 31071129. 
  28. ^ Aïmeur, Esma; Brassard, Gilles; Gambs, Sébastien (2006-06-07). "Machine Learning in a Quantum World". Advances in Artificial Intelligence. Lecture Notes in Computer Science (dalam bahasa Inggris). 4013. hlm. 431–442. doi:10.1007/11766247_37. ISBN 978-3-540-34628-9. 
  29. ^ Dunjko, Vedran; Taylor, Jacob M.; Briegel, Hans J. (2016-09-20). "Quantum-Enhanced Machine Learning". Physical Review Letters. 117 (13): 130501. arXiv:1610.08251 . Bibcode:2016PhRvL.117m0501D. doi:10.1103/PhysRevLett.117.130501. PMID 27715099. 

Templat:Komputasi kuantum Templat:Komputasi terdeferensialkan Templat:Teknologi yang berkembang kuantum = ya| lainnya = ya}} [[Category:pemrograman kuantum]