Kvanttikoneoppiminen on kvanttifysiikan ja tietojenkäsittelytieteen risteyksessä oleva tieteenala , jossa kehitetään ja tutkitaan koneoppimismenetelmiä , joilla voidaan tehokkaasti hyödyntää kvanttitietokoneiden rinnakkaisuutta .
Kvanttikoneoppimisessa käytetään kolmea pääasiallista oppimismallia:
Tässä mallissa oppimisen tavoitteena on löytää funktio, joka vastaa mahdollisimman tarkasti tuntematonta funktiota. Samalla on mahdollista tehdä kyselyitä ja saada tarkkoja vastauksia tuntemattoman funktion arvosta argumenttien eri arvoille. Kvanttialgoritmien tehokkuus suhteessa klassisiin riippuu tässä tapauksessa siitä, miten oppimistehokkuutta mitataan. Jos tehokkuuden mitta on tehtyjen kyselyiden lukumäärä, niin kvantialgoritmit ohittavat klassiset vain polynomiaalisesti, mutta jos tehokkuuden mittana on oppimisaika, niin on funktioluokkia, joille kvanttialgoritmit ovat paljon nopeampia kuin klassiset, edellyttäen, että on mahdollista toteuttaa kvanttikyselyjä (eli kyselyitä, jotka ovat klassisten kyselyjen kvantisuperpositiossa) .
Tämä malli etsii myös funktiota, joka parhaiten vastaa tuntematonta funktiota, mutta kyselyitä ei ole mahdollista tehdä. Sen sijaan on joukko näytteitä. Matemaattisesti tavoitteena on olettaa tuntematon funktio, joka parhaiten sopii tuntemattomaan funktioon tietyssä näytejoukossa. Ero kvantti-PAC-oppimisen ja klassisen oppimisen välillä on, että nämä näytteet voivat yleisesti ottaen olla kvantti-superpositiotilassa. Yleisessä tapauksessa tämä ei kuitenkaan anna merkittävää voittoa, ja kvanttialgoritmi eroaa nopeudeltaan klassisesta vain jollain vakiokertoimella. On kuitenkin olemassa tietty luokka tuntemattomia toimintoja, joille kvantti-PAC-oppiminen on paljon nopeampaa kuin klassinen oppiminen.
Tässä mallissa tehtävänä on n bitin sekvenssillä löytää hypoteesi, joka ennustaa parhaiten n + 1 bittiä. Aivan kuten PAC-mallissa, kvanttialgoritmit eivät yleensä ole paljon nopeampia kuin klassiset.
Kvanttikoneoppimisen juuret ovat kahdessa teoreettisen tietojenkäsittelytieteen päähaarassa, jotka syntyivät lähes samanaikaisesti 1980-luvulla: koneoppimisessa ja kvanttitietotekniikassa . Ensimmäinen työ, jossa yritettiin käyttää kvanttiefektejä parantamaan koneoppimismenetelmiä, oli Nader Bshutin ja Jeffrey Jacksonin työ vuonna 1999 [1] , jossa he ehdottivat niin kutsuttujen kvanttinäytteiden käyttöä oppimiseen eli näytteitä, jotka ovat useiden klassisten näytteiden kvantisuperpositiotilassa .
2000-luvulla ehdotettiin myös kvanttialgoritmeja joidenkin tyypillisten koneoppimisongelmien ratkaisemiseksi. Esimerkiksi vuonna 2006 [2] ehdotettiin muunnelmaa Groverin algoritmista klusterointiongelmaan .