Hispanopedia Wiki
Articulo de referencia

Aprendizaje automático cuántico

El aprendizaje automático cuántico ( QML ) es el estudio de algoritmos cuánticos para el aprendizaje automático . [ 1 ] [ 2 ] [ 3 ] [ 4 ] A menudo se refiere a algoritmos cuánti...

Hispanopedia WikiContenido en espanolLectura gratuita

El aprendizaje automático cuántico ( QML ) es el estudio de algoritmos cuánticos para el aprendizaje automático . [ 1 ] [ 2 ] [ 3 ] [ 4 ] A menudo se refiere a algoritmos cuánticos para tareas de aprendizaje automático que analizan datos clásicos, a veces llamado aprendizaje automático mejorado cuánticamente. [ 5 ] [ 6 ] [ 7 ]

Los algoritmos QML utilizan cúbits y operaciones cuánticas para intentar mejorar la complejidad espacial y temporal de los algoritmos clásicos de aprendizaje automático. [ 8 ] Los métodos QML híbridos implican tanto procesamiento clásico como cuántico, donde las subrutinas computacionalmente difíciles se subcontratan a un dispositivo cuántico. [ 9 ] [ 10 ] [ 11 ] Estas rutinas pueden ser más complejas y ejecutarse más rápido en una computadora cuántica. [ 3 ] Además, los algoritmos cuánticos pueden utilizarse para analizar estados cuánticos en lugar de datos clásicos. [ 12 ] [ 13 ]

El término "aprendizaje automático cuántico" se utiliza a veces para referirse a métodos clásicos de aprendizaje automático aplicados a datos generados a partir de experimentos cuánticos (es decir, aprendizaje automático de sistemas cuánticos ), como aprender las transiciones de fase de un sistema cuántico [ 14 ] [ 15 ] [ 16 ] [ 17 ] o crear nuevos experimentos cuánticos. [ 18 ] [ 19 ] [ 20 ]

El aprendizaje cuántico también abarca una rama de investigación que explora las similitudes metodológicas y estructurales entre ciertos sistemas físicos y sistemas de aprendizaje, en particular las redes neuronales. Por ejemplo, algunas técnicas matemáticas y numéricas de la física cuántica son aplicables al aprendizaje profundo clásico y viceversa. [ 21 ] [ 22 ] [ 23 ]

Además, los investigadores estudian nociones más abstractas de la teoría del aprendizaje con respecto a la información cuántica, a veces denominada "teoría del aprendizaje cuántico". [ 24 ] [ 25 ]

Cuatro enfoques diferentes para combinar las disciplinas de la computación cuántica y el aprendizaje automático. [ 26 ] [ 27 ] La primera letra se refiere a si el sistema en estudio es clásico o cuántico, mientras que la segunda letra define si se utiliza un dispositivo de procesamiento de información clásico o cuántico.

Aprendizaje automático con computadoras cuánticas

El aprendizaje automático mejorado cuánticamente se refiere a algoritmos cuánticos que resuelven tareas de aprendizaje automático, mejorando y, a menudo, acelerando las técnicas clásicas. Estos algoritmos suelen requerir la codificación del conjunto de datos clásicos en una computadora cuántica para que sea accesible al procesamiento de información cuántica. Posteriormente, se aplican rutinas de procesamiento de información cuántica y el resultado de la computación cuántica se obtiene midiendo el sistema cuántico. Por ejemplo, el resultado de la medición de un cúbit revela el resultado de una tarea de clasificación binaria. Si bien muchas propuestas de algoritmos de aprendizaje automático cuántico aún son puramente teóricas y requieren una computadora cuántica universal a gran escala para su prueba, otras se han implementado en dispositivos cuánticos de pequeña escala o de propósito especial.

Memorias asociativas cuánticas y reconocimiento de patrones cuánticos

Los primeros trabajos sobre memorias asociativas cuánticas fueron realizados por Dan Ventura y Tony Martinez [ 28 ] y por Carlo A. Trugenberger a finales de la década de 1990 y principios de la de 2000. [ 29 ] [ 30 ] [ 31 ]

Las memorias asociativas (o direccionables por contenido) pueden reconocer el contenido almacenado basándose en una medida de similitud, mientras que las memorias de acceso aleatorio se acceden mediante la dirección de la información almacenada y no mediante su contenido. Por lo tanto, deben ser capaces de recuperar patrones tanto incompletos como corruptos, la tarea esencial del aprendizaje automático: el reconocimiento de patrones.

Las memorias asociativas clásicas típicas almacenan patrones p en laO(norte2){\displaystyle O(n^{2})}Interacciones (sinapsis) de una matriz de energía real y simétrica sobre una red de n neuronas artificiales. La codificación es tal que los patrones deseados son mínimos locales del funcional de energía y la recuperación se realiza minimizando la energía total, partiendo de una configuración inicial.

Desafortunadamente, las memorias asociativas clásicas están severamente limitadas por el fenómeno de la diafonía . Cuando se almacenan demasiados patrones, aparecen recuerdos espurios que proliferan rápidamente, de modo que el paisaje energético se desordena y ya no es posible la recuperación. El número de patrones almacenables suele estar limitado por una función lineal del número de neuronas.pag≤O(norte){\displaystyle p\leq O(n)}.

Quantum associative memories[29][30][31] (in their simplest realization) store patterns in a unitary matrix U acting on the Hilbert space of n qubits. Retrieval is realized by the unitary evolution of a fixed initial state to a quantum superposition of the desired patterns with probability distribution peaked on the most similar pattern to an input. By its very quantum nature, the retrieval process is thus probabilistic. Because quantum associative memories are free from cross-talk, however, spurious memories are never generated. Correspondingly, they have a superior capacity than classical ones. The number of parameters in the unitary matrix U is O(pn){\displaystyle O(pn)}. One can thus have efficient, spurious-memory-free quantum associative memories for any polynomial number of patterns. If the matrix U is encoded as a unique operator (as opposed as to a sequence of gates as in the circuit model), e.g. by an optical interferometer, the retrieval becomes efficient even for an exponential number of patterns.

Linear algebra simulation with quantum amplitudes

A number of quantum algorithms for machine learning are based on the idea of amplitude encoding, that is, to associate the amplitudes of a quantum state with the inputs and outputs of computations.[32][33][34] Since a state of n{\displaystyle n} qubits is described by 2n{\displaystyle 2^{n}} complex amplitudes, this information encoding can allow for an exponentially compact representation. Intuitively, this corresponds to associating a discrete probability distribution over binary random variables with a classical vector. The goal of algorithms based on amplitude encoding is to formulate quantum algorithms whose resources grow polynomially in the number of qubits n{\displaystyle n}, which amounts to a logarithmic time complexity in the number of amplitudes and thereby the dimension of the input.

Muchos algoritmos QML de esta categoría se basan en variaciones del algoritmo cuántico para sistemas de ecuaciones lineales [ 35 ] (conocido coloquialmente como HHL, en honor a los autores del artículo) que, bajo condiciones específicas, realiza una inversión de matriz utilizando una cantidad de recursos físicos que crece solo logarítmicamente en las dimensiones de la matriz. Una de estas condiciones es que se pueda simular eficientemente un hamiltoniano cuyas entradas correspondan a la matriz, lo cual se sabe que es posible si la matriz es dispersa [ 36 ] o de bajo rango. [ 37 ] Como referencia, cualquier algoritmo clásico conocido para la inversión de matrices requiere un número de operaciones que crece más que cuadráticamente en la dimensión de la matriz (p. ej.O(norte2.373){\displaystyle O{\mathord {\left(n^{2.373}\right)}}}), pero no se limitan a matrices dispersas.

La inversión de matrices cuánticas se puede aplicar a métodos de aprendizaje automático en los que el entrenamiento se reduce a resolver un sistema lineal de ecuaciones , por ejemplo en la regresión lineal por mínimos cuadrados, [ 33 ] [ 34 ] la versión de mínimos cuadrados de las máquinas de vectores de soporte , [ 32 ] y los procesos gaussianos. [ 38 ]

Un cuello de botella crucial en los métodos que simulan cálculos de álgebra lineal con las amplitudes de estados cuánticos es la preparación del estado, que a menudo requiere inicializar un sistema cuántico en un estado cuyas amplitudes reflejen las características de todo el conjunto de datos. Aunque se conocen métodos eficientes para la preparación del estado en casos específicos, [ 39 ] [ 40 ] este paso oculta fácilmente la complejidad de la tarea. [ 41 ] [ 42 ]

Algoritmos cuánticos variacionales (VQA)

En un algoritmo cuántico variacional, una computadora clásica optimiza los parámetros utilizados para preparar un estado cuántico, mientras que una computadora cuántica se utiliza para realizar la preparación y medición del estado real. Los VQA se consideran candidatos prometedores para computadoras cuánticas ruidosas de escala intermedia . Los circuitos cuánticos variacionales (o circuitos cuánticos parametrizados) son una clase popular de VQA donde los parámetros son los utilizados en un circuito cuántico fijo . [ 43 ] [ 44 ] [ 45 ] Los investigadores han estudiado los VQC para resolver problemas de optimización y encontrar la energía del estado fundamental de sistemas cuánticos complejos, que eran difíciles de resolver utilizando una computadora clásica. [ 46 ]

clasificador binario cuántico

La reorganización de patrones es una de las tareas importantes del aprendizaje automático; la clasificación binaria es una de las herramientas o algoritmos para encontrar patrones. La clasificación binaria se utiliza tanto en el aprendizaje supervisado como en el no supervisado . En QML, los bits clásicos se convierten en cúbits y se mapean al espacio de Hilbert; los datos de valores complejos se utilizan en un clasificador binario cuántico para aprovechar las ventajas del espacio de Hilbert. [ 47 ] [ 48 ] Al explotar las propiedades de la mecánica cuántica, como la superposición, el entrelazamiento y la interferencia, el clasificador binario cuántico produce un resultado preciso en un corto período de tiempo. [ 49 ]

Otro enfoque para mejorar el aprendizaje automático clásico con procesamiento de información cuántica utiliza métodos de amplificación de amplitud basados ​​en el algoritmo de búsqueda de Grover , que ha demostrado resolver problemas de búsqueda no estructurada con una aceleración cuadrática en comparación con los algoritmos clásicos. Estas rutinas cuánticas pueden emplearse para aprender algoritmos que se traducen en una tarea de búsqueda no estructurada, como se puede hacer, por ejemplo, en el caso de los algoritmos de k-medianas [ 50 ] y k-vecinos más cercanos [ 5 ] . Otras aplicaciones incluyen aceleraciones cuadráticas en el entrenamiento de perceptrones [ 51 ] .

Un ejemplo de amplificación de amplitud utilizada en un algoritmo de aprendizaje automático es la minimización del algoritmo de búsqueda de Grover. En este algoritmo, una subrutina utiliza el algoritmo de búsqueda de Grover para encontrar un elemento menor que un elemento previamente definido. Esto se puede hacer con un oráculo que determina si un estado con un elemento correspondiente es menor que el predefinido. El algoritmo de Grover puede entonces encontrar un elemento tal que se cumpla nuestra condición. La minimización se inicializa con un elemento aleatorio de nuestro conjunto de datos y ejecuta iterativamente esta subrutina para encontrar el elemento mínimo en el conjunto de datos. Esta minimización se utiliza notablemente en k-medianas cuánticas y tiene una aceleración de al menosO(nortek){\displaystyle {\mathcal {O}}\left({\sqrt {\frac {n}{k}}}\right)}en comparación con las versiones clásicas de k-medianas, dondenorte{\displaystyle n}es el número de puntos de datos yk{\displaystyle k}es el número de clústeres. [ 50 ]

La amplificación de amplitud se suele combinar con caminatas cuánticas para lograr la misma aceleración cuadrática. Se han propuesto caminatas cuánticas para mejorar el algoritmo PageRank de Google [ 52 ] , así como el rendimiento de los agentes de aprendizaje por refuerzo en el marco de simulación proyectiva [ 53 ] .

Aprendizaje por refuerzo mejorado cuánticamente

En el aprendizaje por refuerzo mejorado cuánticamente , un agente cuántico interactúa con un entorno clásico o cuántico y ocasionalmente recibe recompensas por sus acciones. [ 54 ] [ 53 ] [ 55 ] En algunas situaciones, ya sea debido a la capacidad de procesamiento cuántico del agente, [ 53 ] o debido a la posibilidad de sondear el entorno en superposiciones , [ 27 ] se puede lograr una aceleración cuántica. Se han propuesto implementaciones de este tipo de protocolos para sistemas de iones atrapados [ 56 ] y circuitos superconductores . [ 57 ] Se ha demostrado experimentalmente una aceleración cuántica del tiempo de toma de decisiones internas del agente [ 53 ] en iones atrapados, [ 58 ] mientras que se ha realizado experimentalmente una aceleración cuántica del tiempo de aprendizaje en una interacción totalmente coherente ('cuántica') entre el agente y el entorno en una configuración fotónica. [ 59 ]

Recocido cuántico

El recocido cuántico es una técnica de optimización que se utiliza para determinar los mínimos y máximos locales de una función sobre un conjunto dado de funciones candidatas. Este método consiste en discretizar una función con múltiples mínimos o máximos locales para determinar sus observables. El proceso se distingue del recocido simulado por el efecto túnel cuántico , mediante el cual las partículas atraviesan barreras cinéticas o potenciales desde un estado de alta energía a uno de baja energía. El recocido cuántico parte de una superposición de todos los estados posibles de un sistema, ponderados por igual. La ecuación de Schrödinger dependiente del tiempo guía la evolución temporal del sistema, afectando la amplitud de cada estado a medida que transcurre el tiempo. Finalmente, se puede alcanzar el estado fundamental para obtener el hamiltoniano instantáneo del sistema.

Técnicas de muestreo cuántico

El muestreo a partir de distribuciones de probabilidad de alta dimensión es fundamental para un amplio espectro de técnicas computacionales con importantes aplicaciones en la ciencia, la ingeniería y la sociedad. Algunos ejemplos son el aprendizaje profundo , la programación probabilística y otras aplicaciones de aprendizaje automático e inteligencia artificial.

Un problema computacionalmente complejo, fundamental para algunas tareas relevantes de aprendizaje automático, es la estimación de promedios sobre modelos probabilísticos definidos en términos de una distribución de Boltzmann . El muestreo a partir de modelos probabilísticos genéricos es difícil: se espera que los algoritmos que dependen en gran medida del muestreo sigan siendo intratables, independientemente de la magnitud y potencia de los recursos de computación clásica. Si bien los recocedores cuánticos, como los producidos por D-Wave Systems, fueron diseñados para problemas complejos de optimización combinatoria, recientemente se ha reconocido su potencial para acelerar los cálculos que dependen del muestreo mediante el aprovechamiento de los efectos cuánticos. [ 60 ]

Algunos grupos de investigación han explorado recientemente el uso de hardware de recocido cuántico para entrenar máquinas de Boltzmann y redes neuronales profundas . [ 61 ] [ 62 ] [ 63 ] El enfoque estándar para entrenar máquinas de Boltzmann se basa en el cálculo de ciertos promedios que pueden estimarse mediante técnicas de muestreo estándar , como los algoritmos de Monte Carlo de cadena de Markov . Otra posibilidad es basarse en un proceso físico, como el recocido cuántico, que genera naturalmente muestras de una distribución de Boltzmann. El objetivo es encontrar los parámetros de control óptimos que mejor representen la distribución empírica de un conjunto de datos dado.

El sistema D-Wave 2X alojado en el Centro de Investigación Ames de la NASA se ha utilizado recientemente para el aprendizaje de una clase especial de máquinas de Boltzmann restringidas que pueden servir como bloque de construcción para arquitecturas de aprendizaje profundo. [ 62 ] Un trabajo complementario que apareció casi simultáneamente mostró que el recocido cuántico puede usarse para el aprendizaje supervisado en tareas de clasificación. [ 61 ] El mismo dispositivo se usó más tarde para entrenar una máquina de Boltzmann totalmente conectada para generar, reconstruir y clasificar dígitos manuscritos de baja resolución y escala reducida, entre otros conjuntos de datos sintéticos. [ 64 ] En ambos casos, los modelos entrenados con recocido cuántico tuvieron un rendimiento similar o mejor en términos de calidad. La pregunta fundamental que impulsa este esfuerzo es si existe una aceleración cuántica en las aplicaciones de muestreo. La experiencia con el uso de recocedores cuánticos para la optimización combinatoria sugiere que la respuesta no es sencilla. El recocido inverso también se ha utilizado para resolver una máquina de Boltzmann restringida cuántica totalmente conectada. [ 65 ]

Inspirado por el éxito de las máquinas de Boltzmann basadas en la distribución clásica de Boltzmann, recientemente se propuso un nuevo enfoque de aprendizaje automático basado en la distribución cuántica de Boltzmann de un hamiltoniano de Ising de campo transversal. [ 66 ] Debido a la naturaleza no conmutativa de la mecánica cuántica, el proceso de entrenamiento de la máquina cuántica de Boltzmann puede volverse complejo. Este problema se sorteó, en cierta medida, introduciendo límites en las probabilidades cuánticas, lo que permitió a los autores entrenar el modelo de manera eficiente mediante muestreo. Es posible que se haya entrenado un tipo específico de máquina cuántica de Boltzmann en el D-Wave 2X utilizando una regla de aprendizaje análoga a la de las máquinas clásicas de Boltzmann. [ 64 ] [ 63 ] [ 67 ]

El recocido cuántico no es la única tecnología para el muestreo. En un escenario de preparación y medición, una computadora cuántica universal prepara un estado térmico, que luego se muestrea mediante mediciones. Esto puede reducir el tiempo necesario para entrenar una máquina de Boltzmann restringida profunda y proporcionar un marco más rico y completo para el aprendizaje profundo que la computación clásica. [ 68 ] Los mismos métodos cuánticos también permiten el entrenamiento eficiente de máquinas de Boltzmann completas y modelos multicapa totalmente conectados, y no tienen contrapartes clásicas bien conocidas. Basándose en un protocolo eficiente de preparación de estado térmico que parte de un estado arbitrario, las redes lógicas de Markov mejoradas cuánticamente explotan las simetrías y la estructura de localidad del modelo gráfico probabilístico generado por una plantilla lógica de primer orden . [ 69 ] [ 15 ] Esto proporciona una reducción exponencial en la complejidad computacional en la inferencia probabilística y, si bien el protocolo se basa en una computadora cuántica universal, bajo supuestos moderados puede integrarse en hardware de recocido cuántico contemporáneo.

Redes neuronales cuánticas

Las analogías cuánticas o generalizaciones de las redes neuronales clásicas suelen denominarse redes neuronales cuánticas . Este término se utiliza para una amplia gama de enfoques, incluyendo la implementación y extensión de redes neuronales mediante fotones, circuitos variacionales por capas o modelos cuánticos de tipo Ising .

Red neuronal convolucional cuántica (QCNN)

Un diseño novedoso para vectores multidimensionales que utiliza circuitos como filtros de convolución [ 70 ] es QCNN. Se inspiró en las ventajas de las CNN [ 71 ] [ 72 ] y el poder de QML. Se construye utilizando una combinación de un circuito cuántico variacional (VQC) [ 73 ] y una red neuronal profunda [ 74 ] (DNN), aprovechando al máximo el poder del procesamiento extremadamente paralelo en una superposición de un estado cuántico con un número finito de cúbits. La estrategia principal es llevar a cabo un proceso de optimización iterativo en los dispositivos NISQ [ 75 ] , sin el impacto negativo del ruido, que posiblemente se incorpore al parámetro del circuito, y sin necesidad de corrección de errores cuánticos. [ 76 ]

El circuito cuántico debe manejar eficazmente la información espacial para que la QCNN funcione como una CNN. El filtro de convolución es la técnica más básica para aprovechar la información espacial. Una o más redes neuronales convolucionales cuánticas (QCNN) están compuestas por uno o más filtros de convolución cuántica, y cada uno de estos filtros transforma los datos de entrada mediante un circuito cuántico que puede crearse de forma organizada o aleatoria. El filtro de convolución cuántica se compone de tres partes: el codificador, el circuito cuántico parametrizado (PQC) [ 77 ] y la medición. El filtro de convolución cuántica puede considerarse una extensión del filtro de la CNN tradicional, ya que fue diseñado con parámetros entrenables.

Las redes neuronales cuánticas aprovechan las estructuras jerárquicas, [ 78 ] y para cada capa subsiguiente, el número de cúbits de la capa precedente se reduce a la mitad. Para n cúbits de entrada, estas estructuras tienen O(log(n)) capas, lo que permite una profundidad de circuito reducida. Además, pueden evitar la "meseta estéril", uno de los problemas más importantes con los algoritmos basados ​​en PQC, lo que garantiza la capacidad de entrenamiento. [ 79 ] A pesar de que el modelo QCNN no incluye la operación cuántica correspondiente, también se ofrece la idea fundamental de la capa de agrupación para asegurar la validez. En la arquitectura QCNN, la capa de agrupación se coloca típicamente entre capas convolucionales sucesivas. Su función es reducir el tamaño espacial de la representación mientras se preservan las características cruciales, lo que permite reducir el número de parámetros, optimizar el cálculo de la red y gestionar el sobreajuste. Este proceso se puede lograr aplicando una tomografía completa al estado para reducirlo hasta un solo cúbit y luego procesarlo. El tipo de unidad más utilizado en la capa de agrupación es la agrupación máxima, aunque también existen otros tipos. Al igual que en las redes neuronales de alimentación directa convencionales , el último módulo es una capa totalmente conectada con conexiones completas a todas las activaciones de la capa precedente. La invariancia traslacional, que requiere bloques idénticos de compuertas cuánticas parametrizadas dentro de una capa, es una característica distintiva de la arquitectura QCNN. [ 80 ]

Aprendizaje automático totalmente cuántico

En el caso más general del aprendizaje automático cuántico (QML), tanto el dispositivo de aprendizaje como el sistema en estudio, así como su interacción, son completamente cuánticos. Esta sección presenta algunos ejemplos de resultados sobre este tema.

Un tipo de problema que puede beneficiarse del enfoque totalmente cuántico es el de «aprender» estados, procesos o mediciones cuánticas desconocidas, en el sentido de que posteriormente se puedan reproducir en otro sistema cuántico. Por ejemplo, se podría desear aprender una medición que discrimine entre dos estados coherentes, a partir de un conjunto de sistemas cuánticos de ejemplo preparados en dichos estados, en lugar de una descripción clásica de los estados que se van a discriminar. El enfoque ingenuo consistiría en extraer primero una descripción clásica de los estados y luego implementar una medición discriminatoria ideal basada en esta información. Esto solo requeriría aprendizaje clásico. Sin embargo, se puede demostrar que un enfoque totalmente cuántico es estrictamente superior en este caso. [ 81 ] (Esto también se relaciona con el trabajo sobre la coincidencia de patrones cuánticos. [ 82 ] ) El problema del aprendizaje de transformaciones unitarias puede abordarse de manera similar. [ 83 ]

Más allá del problema específico del aprendizaje de estados y transformaciones, la tarea de agrupamiento también admite una versión totalmente cuántica, en la que tanto el oráculo que devuelve la distancia entre los puntos de datos como el dispositivo de procesamiento de información que ejecuta el algoritmo son cuánticos. [ 84 ] Finalmente, en [ 27 ] se introdujo un marco general que abarca el aprendizaje supervisado, no supervisado y por refuerzo en el entorno totalmente cuántico, donde también se demostró que la posibilidad de sondear el entorno en superposiciones permite una aceleración cuántica en el aprendizaje por refuerzo. Dicha aceleración en el paradigma del aprendizaje por refuerzo se ha demostrado experimentalmente en una configuración fotónica. [ 59 ]

Aprendizaje automático cuántico explicable

La necesidad de modelos que puedan ser comprendidos por humanos surge en QML en analogía con el aprendizaje automático clásico e impulsa el campo de investigación de QML explicable (o XQML [ 85 ] en analogía con XAI/XML ). Estos esfuerzos a menudo también se denominan Aprendizaje Automático Interpretable (IML, y por extensión IQML). [ 86 ] XQML/IQML puede considerarse como una dirección de investigación alternativa en lugar de encontrar una ventaja cuántica. [ 87 ] Por ejemplo, XQML se ha utilizado en el contexto de detección y clasificación de malware móvil. [ 88 ] También se han propuesto valores de Shapley cuánticos para interpretar puertas dentro de un circuito basado en un enfoque de teoría de juegos. [ 85 ] Para este propósito, las puertas en lugar de características actúan como jugadores en un juego de coalición con una función de valor que depende de mediciones del circuito cuántico de interés. Además, también se ha propuesto una versión cuántica de la técnica clásica conocida como LIME (Linear Interpretable Model-Agnostic Explanations) [ 89 ] , conocida como Q-LIME. [ 90 ]

Métodos de núcleo cuántico y modelos generativos

Los métodos de núcleo cuántico han surgido como enfoques particularmente prometedores para aplicaciones a corto plazo. Estudios comparativos a gran escala que abarcan más de 20 000 modelos entrenados han proporcionado información exhaustiva sobre la eficacia de los núcleos cuánticos de fidelidad (FQK) y los núcleos cuánticos proyectados (PQK) en diversas tareas de clasificación y regresión. Estos estudios han revelado patrones universales que guían el diseño de métodos de núcleo cuántico eficaces. [ 91 ]

En el ámbito del modelado generativo , las redes generativas antagónicas cuánticas y las máquinas Born de circuitos cuánticos han demostrado ser especialmente prometedoras para la síntesis de datos tabulares. Los nuevos modelos generativos cuánticos para datos tabulares han demostrado mejoras de rendimiento del 8,5 % con respecto a los principales modelos clásicos, utilizando solo el 0,072 % de los parámetros, lo que indica un potencial significativo para el aprendizaje eficiente en parámetros. [ 92 ]

Aprendizaje clásico aplicado a problemas cuánticos

El término "aprendizaje automático cuántico" a veces se refiere al aprendizaje automático clásico aplicado a datos de sistemas cuánticos. Un ejemplo básico es la tomografía de estados cuánticos , donde se aprende un estado cuántico a partir de mediciones. Otras aplicaciones incluyen el aprendizaje de hamiltonianos [ 93 ] y la generación automática de experimentos cuánticos [ 18 ] .

Teoría del aprendizaje cuántico

La teoría del aprendizaje cuántico busca un análisis matemático de las generalizaciones cuánticas de los modelos de aprendizaje clásicos y de las posibles aceleraciones u otras mejoras que puedan proporcionar. El marco es muy similar al de la teoría del aprendizaje computacional clásico , pero en este caso el aprendiz es un dispositivo de procesamiento de información cuántica, mientras que los datos pueden ser clásicos o cuánticos. La teoría del aprendizaje cuántico debe contrastarse con el aprendizaje automático mejorado cuánticamente, mencionado anteriormente, cuyo objetivo era considerar problemas específicos y utilizar protocolos cuánticos para mejorar la complejidad temporal de los algoritmos clásicos para dichos problemas. Si bien la teoría del aprendizaje cuántico aún está en desarrollo, se han obtenido resultados parciales en esta dirección. [ 94 ]

El punto de partida en la teoría del aprendizaje suele ser una clase de conceptos, un conjunto de conceptos posibles. Normalmente, un concepto es una función en algún dominio, como por ejemplo:{0,1}norte{\displaystyle \{0,1\}^{n}}Por ejemplo, la clase de conceptos podría ser el conjunto de fórmulas en forma normal disyuntiva (FND) de n bits o el conjunto de circuitos booleanos de profundidad constante. El objetivo del aprendiz es aprender (de forma exacta o aproximada) un concepto objetivo desconocido de esta clase de conceptos. El aprendiz puede interactuar activamente con el concepto objetivo o recibir muestras de él de forma pasiva.

En el aprendizaje activo, un aprendiz puede realizar consultas de pertenencia al concepto objetivo c, solicitando su valor c(x) sobre entradas x elegidas por el aprendiz. El aprendiz debe entonces reconstruir el concepto objetivo exacto con alta probabilidad. En el modelo de aprendizaje cuántico exacto, el aprendiz puede realizar consultas de pertenencia en superposición cuántica. Si la complejidad del aprendiz se mide por el número de consultas de pertenencia que realiza, entonces los aprendices cuánticos exactos pueden ser polinómicamente más eficientes que los aprendices clásicos para algunas clases de conceptos, pero no más. [ 95 ] Si la complejidad se mide por la cantidad de tiempo que utiliza el aprendiz, entonces hay clases de conceptos que pueden ser aprendidas eficientemente por aprendices cuánticos pero no por aprendices clásicos (bajo supuestos plausibles de teoría de la complejidad). [ 95 ]

Un modelo natural de aprendizaje pasivo es el aprendizaje probablemente aproximadamente correcto (PAC) de Valiant . En este modelo, el aprendiz recibe ejemplos aleatorios (x, c(x)), donde x se distribuye según una distribución desconocida D. El objetivo del aprendiz es generar una función de hipótesis h tal que h(x) = c(x) con alta probabilidad cuando x se extrae según D. El aprendiz debe ser capaz de producir dicha h "aproximadamente correcta" para cada D y cada concepto objetivo c en su clase de conceptos. Podemos considerar reemplazar los ejemplos aleatorios por ejemplos cuánticos potencialmente más potentes.∑incógnitaD(incógnita)|incógnita,do(incógnita)⟩{\displaystyle \sum _{x}{\sqrt {D(x)}}|x,c(x)\rangle }En el modelo PAC (y el modelo agnóstico relacionado), esto no reduce significativamente el número de ejemplos necesarios: para cada clase de concepto, la complejidad de muestra clásica y cuántica es la misma salvo factores constantes. [ 96 ] Sin embargo, para el aprendizaje bajo alguna distribución fija D, los ejemplos cuánticos pueden ser muy útiles, por ejemplo, para aprender DNF bajo la distribución uniforme. [ 97 ] Al considerar la complejidad temporal, existen clases de conceptos que pueden ser aprendidas eficientemente mediante PAC por aprendices cuánticos, incluso a partir de ejemplos clásicos, pero no por aprendices clásicos (nuevamente, bajo supuestos plausibles de teoría de la complejidad). [ 95 ]

Este tipo de aprendizaje pasivo es también el esquema más común en el aprendizaje supervisado: un algoritmo de aprendizaje suele tomar los ejemplos de entrenamiento fijos, sin la capacidad de consultar la etiqueta de los ejemplos no etiquetados. Generar una hipótesis h es un paso de inducción. Clásicamente, un modelo inductivo se divide en una fase de entrenamiento y una de aplicación: los parámetros del modelo se estiman en la fase de entrenamiento, y el modelo aprendido se aplica un número arbitrario de veces en la fase de aplicación. En el límite asintótico del número de aplicaciones, esta división de fases también está presente con recursos cuánticos. [ 98 ]

Implementaciones y experimentos

Los primeros experimentos se llevaron a cabo utilizando la computadora cuántica adiabática D-Wave , por ejemplo, para detectar automóviles en imágenes digitales mediante boosting regularizado con una función objetivo no convexa en una demostración en 2009. [ 99 ] Muchos experimentos siguieron con la misma arquitectura, y las principales empresas tecnológicas han mostrado interés en el potencial de QML para futuras implementaciones tecnológicas. En 2013, Google Research, la NASA y la Universities Space Research Association lanzaron el Laboratorio de Inteligencia Artificial Cuántica que explora el uso de la computadora cuántica adiabática D-Wave. [ 100 ] [ 101 ] Un ejemplo más reciente entrenó modelos generativos probabilísticos con conectividad arbitraria por pares, mostrando que su modelo es capaz de generar dígitos escritos a mano, así como reconstruir imágenes ruidosas de barras y rayas y dígitos escritos a mano. [ 64 ]

Utilizando una tecnología de recocido diferente basada en resonancia magnética nuclear (RMN), se implementó una red de Hopfield cuántica en 2009 que mapeó los datos de entrada y los datos memorizados a hamiltonianos, permitiendo el uso de computación cuántica adiabática. [ 102 ] La tecnología RMN también permite la computación cuántica universal, y se utilizó para la primera implementación experimental de una máquina de vectores de soporte cuántica para distinguir los números manuscritos '6' y '9' en una computadora cuántica de estado líquido en 2015. [ 103 ] Los datos de entrenamiento implicaron el preprocesamiento de la imagen que los mapea a vectores bidimensionales normalizados para representar las imágenes como los estados de un cúbit. Las dos entradas del vector son la relación vertical y horizontal de la intensidad de píxeles de la imagen. Una vez que los vectores están definidos en el espacio de características , la máquina de vectores de soporte cuántica se implementó para clasificar el vector de entrada desconocido. La lectura evita la costosa tomografía cuántica al leer el estado final en términos de dirección (arriba/abajo) de la señal RMN.

Las implementaciones fotónicas están atrayendo más atención, [ 104 ] sobre todo porque no requieren refrigeración extensa. El reconocimiento simultáneo de dígitos hablados y locutores, y la predicción de series temporales caóticas se demostraron a velocidades de datos superiores a 1 gigabyte por segundo en 2013. [ 105 ] Utilizando fotónica no lineal para implementar un clasificador lineal totalmente óptico, un modelo de perceptrón fue capaz de aprender el límite de clasificación iterativamente a partir de datos de entrenamiento mediante una regla de retroalimentación. [ 106 ] Un bloque fundamental en muchos algoritmos de aprendizaje es calcular la distancia entre dos vectores: esto se demostró experimentalmente por primera vez para hasta ocho dimensiones utilizando cúbits entrelazados en una computadora cuántica fotónica en 2015. [ 107 ]

Recientemente, basándose en un enfoque neuromimético, se ha añadido un nuevo ingrediente al campo del aprendizaje automático cuántico (QML), en forma de un llamado memristor cuántico, un modelo cuantizado del memristor clásico estándar . [ 108 ] Este dispositivo puede construirse mediante una resistencia ajustable, mediciones débiles en el sistema y un mecanismo de realimentación directa clásico. Se ha propuesto una implementación de un memristor cuántico en circuitos superconductores, [ 109 ] y se ha realizado un experimento con puntos cuánticos. [ 110 ] Un memristor cuántico implementaría interacciones no lineales en la dinámica cuántica, lo que ayudaría a la búsqueda de una red neuronal cuántica completamente funcional.

Desde 2016, IBM ha lanzado una plataforma en la nube para desarrolladores de software cuántico, denominada IBM Q Experience . Esta plataforma consta de varios procesadores cuánticos totalmente operativos, accesibles a través de la API web de IBM. De esta forma, la compañía anima a los desarrolladores de software a explorar nuevos algoritmos mediante un entorno de desarrollo con capacidades cuánticas. Se están investigando nuevas arquitecturas de forma experimental, con hasta 32 cúbits, utilizando métodos de computación cuántica tanto de iones atrapados como superconductores.

En octubre de 2019, se observó que la introducción de generadores cuánticos de números aleatorios (QRNG) a modelos de aprendizaje automático, incluyendo redes neuronales y redes neuronales convolucionales para la distribución aleatoria de pesos iniciales y bosques aleatorios para procesos de división, tuvo un efecto profundo en su capacidad en comparación con el método clásico de generadores de números pseudoaleatorios (PRNG). [ 111 ] Sin embargo, en una publicación más reciente de 2021, estas afirmaciones no pudieron reproducirse para la inicialización de pesos de redes neuronales y no se encontró ninguna ventaja significativa del uso de QRNG sobre PRNG. [ 112 ] El trabajo también demostró que la generación de números aleatorios justos con una computadora cuántica de puerta es una tarea no trivial en dispositivos NISQ, y por lo tanto, los QRNG suelen ser mucho más difíciles de usar en la práctica que los PRNG.

Un artículo publicado en diciembre de 2018 informó sobre un experimento que utilizaba un sistema de iones atrapados y que demostraba una aceleración cuántica del tiempo de deliberación de agentes de aprendizaje por refuerzo que empleaban hardware cuántico interno. [ 58 ]

En marzo de 2021, un equipo de investigadores de Austria, Países Bajos, Estados Unidos y Alemania informó sobre la demostración experimental de una aceleración cuántica del tiempo de aprendizaje de agentes de aprendizaje por refuerzo que interactúan completamente cuánticamente con el entorno. [ 113 ] [ 59 ] Los grados de libertad relevantes tanto del agente como del entorno se implementaron en un procesador nanofotónico integrado, compacto y totalmente sintonizable.

El 14 de abril de 2026, Nvidia lanzó "Ising", una familia de modelos de IA de código abierto diseñados para acelerar el desarrollo de la computación cuántica. El conjunto incluye Ising-Calibration-1, un modelo de lenguaje de visión para automatizar la calibración de la QPU, e Ising-Decoding, que utiliza CNN 3D para mejorar la velocidad de corrección de errores cuánticos hasta 2,5 veces. [ 114 ]

Problema de meseta estéril

El problema de la meseta estéril [ 115 ], donde los algoritmos cuánticos se topan con paisajes de optimización planos , experimentó avances teóricos y prácticos significativos en 2025. Investigadores del Laboratorio Nacional de Los Alamos proporcionaron la primera caracterización matemática de por qué y cuándo ocurren las mesetas estériles en los algoritmos cuánticos variacionales, estableciendo garantías teóricas para la escalabilidad de los algoritmos. [ 116 ] [ 117 ]

Este trabajo resuelve un problema clave de usabilidad para el aprendizaje automático cuántico al proporcionar teoremas rigurosos que predicen si una arquitectura dada seguirá siendo entrenable a medida que se escala a sistemas cuánticos más grandes. El avance elimina el enfoque anterior de ensayo y error que había provocado fatiga entre los investigadores en este campo. [ 118 ]

Escepticismo

Si bien el aprendizaje automático en sí mismo no es solo un campo de investigación, sino una industria de rápido crecimiento y con una economía significativa, y la computación cuántica es un campo bien establecido tanto en la investigación teórica como experimental, el aprendizaje cuántico sigue siendo un campo de estudio teórico. Además, existe otro obstáculo en la etapa de predicción, ya que los resultados de los modelos de aprendizaje cuántico son inherentemente aleatorios. [ 119 ] Esto genera una sobrecarga considerable, puesto que se deben agregar muchas ejecuciones de un modelo de aprendizaje cuántico para obtener una predicción real.

Muchos de los científicos más destacados que publican extensamente en el campo del aprendizaje automático cuántico advierten sobre la gran expectación que rodea al tema y se muestran muy reservados cuando se les pregunta sobre sus usos prácticos en un futuro próximo. Sophia Chen [ 120 ] recopiló en 2020 algunas de las declaraciones realizadas por científicos reconocidos en el campo:

  • "Creo que todavía no hemos hecho los deberes. Este es un campo científico extremadamente nuevo", declaró la física Maria Schuld, de la empresa emergente canadiense de computación cuántica Xanadu.
  • "Cuando se mezcla el aprendizaje automático con la 'cuántica', se cataliza un condensado de exageración." [ 121 ] - Jacob Biamonte, colaborador en la teoría de la computación cuántica.
  • "Aún queda mucho trabajo por hacer antes de poder afirmar que el aprendizaje automático cuántico realmente funcionará", declaró el científico informático Iordanis Kerenidis, jefe de algoritmos cuánticos en QC Ware, una empresa emergente de computación cuántica con sede en Silicon Valley.
  • "No he visto ni una sola prueba de que exista una tarea [de aprendizaje automático] significativa para la que tenga sentido utilizar un ordenador cuántico y no un ordenador clásico", afirma el físico Ryan Sweke, de la Universidad Libre de Berlín, en Alemania.

Véase también

Referencias

  1. ↑ Biamonte, Jacob; Wittek, Peter; Nicola, Pancotti; Rebentrost, Patrick; Wiebe, Nathan; Lloyd, Seth (2017). "Aprendizaje automático cuántico". Nature . 549 (7671): 195– 202. arXiv : 1611.09347 . Bibcode : 2017Natur.549..195B . doi : 10.1038/nature23474 . PMID 28905917 . S2CID 64536201 .  
  2. ↑ Schuld, Maria; Petruccione, Francesco (2018). Aprendizaje supervisado con computadoras cuánticas . Ciencia y tecnología cuántica. Springer. Bibcode : 2018slqc.book.....S . doi : 10.1007/978-3-319-96424-9 . ISBN 978-3-319-96423-2.
  3. 1 2 Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco (2014). "Una introducción al aprendizaje automático cuántico". 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 . S2CID 119263556 .  
  4. ↑ Wittek, Peter (2014). Aprendizaje automático cuántico: qué significa la computación cuántica para la minería de datos . Academic Press. ISBN 978-0-12-800953-6.
  5. 1 2 Wiebe, Nathan; Kapoor, Ashish; Svore, Krysta (2014). "Algoritmos cuánticos para métodos de vecinos más cercanos para aprendizaje supervisado y no supervisado". Quantum Information & Computation . 15 (3): 0318– 0358. arXiv : 1401.2142 .
  6. ↑ Lloyd, Seth; Mohseni, Masoud; Rebentrost, Patrick (2013). "Algoritmos cuánticos para aprendizaje automático supervisado y no supervisado". arXiv : 1307.0411 [ quant-ph ].
  7. ↑ Yoo, Seokwon; Bang, Jeongho; Lee, Changhyoup; Lee, Jinhyoung (2014). "Una aceleración cuántica en el aprendizaje automático: Encontrar una función booleana de N bits para una clasificación". New Journal of Physics . 16 (10) 103014. arXiv : 1303.6055 . Bibcode : 2014NJPh...16j3014Y . doi : 10.1088/1367-2630/16/10/103014 . S2CID 4956424 . 
  8. ↑ Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco (15 de octubre de 2014). "Una introducción al aprendizaje automático cuántico". 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 . ISSN 0010-7514 . S2CID 119263556 .   
  9. ↑ Benedetti, Marcello; Realpe-Gómez, John; Biswas, Rupak; Perdomo-Ortiz, Alejandro (2017-11-30). "Aprendizaje asistido por computación cuántica de modelos gráficos probabilísticos integrados en hardware". Physical Review X . 7 (4) 041052. arXiv : 1609.02542 . Bibcode : 2017PhRvX...7d1052B . doi : 10.1103/PhysRevX.7.041052 . ISSN 2160-3308 . S2CID 55331519 .  
  10. ↑ Farhi, Edward; Neven, Hartmut (2018-02-16). "Clasificación con redes neuronales cuánticas en procesadores de corto plazo". arXiv : 1802.06002 [ quant-ph ].
  11. ↑ Schuld, Maria; Bocharov, Alex; Svore, Krysta ; Wiebe, Nathan (2020). "Clasificadores cuánticos centrados en circuitos". Physical Review A. 101 ( 3) 032308. arXiv : 1804.00633 . Bibcode : 2020PhRvA.101c2308S . doi : 10.1103/PhysRevA.101.032308 . S2CID 49577148 . 
  12. ↑ Yu, Shang; Albarrán-Arriagada, F.; Retamal, JC; Wang, Yi-Tao; Liu, Wei; Ke, Zhi-Jin; Meng, Yu; Li, Zhi-Peng; Tang, Jian-Shun (28 de agosto de 2018). "Reconstrucción de un estado de Qubit fotónico con aprendizaje por refuerzo cuántico". Tecnologías cuánticas avanzadas . 2 ( 7– 8) 1800074. arXiv : 1808.09241 . doi : 10.1002/qute.201800074 . S2CID 85529734 . 
  13. ↑ Ghosh, Sanjib; Opala, A.; Matuszewski, M.; Paterek, T.; Liew, Timothy CH (2019). "Procesamiento de reservorio cuántico". npj Quantum Information . 5 (35): 35. arXiv : 1811.10335 . Bibcode : 2019npjQI...5...35G . doi : 10.1038/s41534-019-0149-8 . S2CID 119197635 . 
  14. ↑ Broecker, Peter; Assaad, Fakher F.; Trebst, Simon (2017-07-03). "Reconocimiento de fase cuántica mediante aprendizaje automático no supervisado". arXiv : 1707.00663 [ cond-mat.str-el ].
  15. 1 2 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 . S2CID 125593239 .  
  16. ↑ Abuali, Ahmed; Clarke, David A.; Hjorth-Jensen, Morten; Konstantinidis, Ioannis; Ratti, Claudia; Yang, Jianyi (18 de septiembre de 2025). "Aprendizaje profundo de transiciones de fase con ejemplos mínimos" . Physical Review E. 112 ( 3) 035315. arXiv : 2501.05547 . Bibcode : 2025PhRvE.112c5315A . doi : 10.1103/wjvx-5nk7 . ISSN 2470-0045 . PMID 41116343. Archivado del original el 16 de noviembre de 2025.  
  17. ↑ Abuali, Ahmed; Clarke, David A.; Hjorth-Jensen, Morten; Konstantinidis, Ioannis; Ratti, Claudia; Yang, Jianyi (2026). "Detección de la transición de fase del modelo de Ising 3D con un autoencoder entrenado en el estado fundamental". arXiv : 2603.20157 [ cond-mat.stat-mech ].
  18. 1 2 Krenn, Mario (2016-01-01). "Búsqueda automatizada de nuevos experimentos cuánticos". Physical Review Letters . 116 (9) 090405. arXiv : 1509.02749 . Bibcode : 2016PhRvL.116i0405K . doi : 10.1103/PhysRevLett.116.090405 . PMID 26991161 . S2CID 20182586 .  
  19. ↑ Knott, Paul (22 de marzo de 2016). "Un algoritmo de búsqueda para la ingeniería de estados cuánticos y la metrología". New Journal of Physics . 18 (7) 073033. arXiv : 1511.05327 . Bibcode : 2016NJPh...18g3033K . doi : 10.1088/1367-2630/18/7/073033 . S2CID 2721958 . 
  20. ↑ Dunjko, Vedran; Briegel, Hans J (2018-06-19). "Aprendizaje automático e inteligencia artificial en el dominio cuántico: una revisión de los avances recientes". 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 . S2CID 3681629 .   
  21. ↑ Huggins, William; Patel, Piyush; Whaley, K. Birgitta; Stoudenmire, E. Miles (2018-03-30). "Hacia el aprendizaje automático cuántico con redes tensoriales". Quantum Science and Technology . 4 (2): 024001. arXiv : 1803.11537 . doi : 10.1088/2058-9565/aaea94 . S2CID 4531946 . 
  22. ↑ Carleo, Giuseppe; Nomura, Yusuke; Imada, Masatoshi (2018-02-26). "Construcción de representaciones exactas de sistemas cuánticos de muchos cuerpos con redes neuronales profundas" . Nature Communications . 9 (1): 5322. arXiv : 1802.09558 . Bibcode : 2018NatCo...9.5322C . doi : 10.1038/ s41467-018-07520-3 . PMC 6294148. PMID 30552316 .  
  23. ↑ Bény, Cédric (2013-01-14). "Aprendizaje profundo y el grupo de renormalización". arXiv : 1301.3124 [ quant-ph ].
  24. ↑ Arunachalam, Srinivasan; de Wolf, Ronald (24-01-2017). "Una revisión de la teoría del aprendizaje cuántico". arXiv : 1701.06806 [ quant-ph ].
  25. ↑ Sergioli, Giuseppe; Giuntini, Roberto; Freytes, Hector (2019-05-09). "Un nuevo enfoque cuántico para la clasificación binaria" . PLOS ONE . 14 (5) e0216224. Bibcode : 2019PLoSO..1416224S . doi : 10.1371/journal.pone.0216224 . PMC 6508868. PMID 31071129 .  
  26. ↑ Aïmeur, Esma; Brassard, Gilles; Gambs, Sébastien (2006-06-07). «Aprendizaje automático en un mundo cuántico» . Avances en inteligencia artificial . Notas de clase en ciencias de la computación. Vol. 4013. pp. 431–442 . doi : 10.1007/11766247_37 . ISBN   978-3-540-34628-9.
  27. 1 2 3 Dunjko, Vedran; Taylor, Jacob M.; Briegel, Hans J. (2016-09-20). "Aprendizaje automático mejorado cuántico". Physical Review Letters . 117 (13) 130501. arXiv : 1610.08251 . Bibcode : 2016PhRvL.117m0501D . doi : 10.1103/PhysRevLett.117.130501 . PMID 27715099 . S2CID 12698722 .  
  28. ↑ Ventura, Dan; Martinez, Tony (1999), "Una memoria asociativa cuántica basada en el algoritmo de Grover", Redes neuronales artificiales y algoritmos genéticos , Viena: Springer Vienna, pp. 22–27 , doi : 10.1007/978-3-7091-6384-9_5 , ISBN  978-3-211-83364-3
  29. 1 2 Trugenberger, Carlo A. (2001). "Memorias cuánticas probabilísticas". Physical Review Letters . 87 (6) 067901. arXiv : quant-ph/0012100 . Bibcode : 2001PhRvL..87f7901T . doi : 10.1103/PhysRevLett.87.067901 . PMID 11497863 . S2CID 23325931 .  
  30. 1 2 Trugenberger, Carlo A. (2002). "Reconocimiento de patrones cuánticos". Procesamiento de información cuántica . 1 (6): 471– 493. arXiv : quant-ph/0210176 . Bibcode : 2002QuIP....1..471T . doi : 10.1023/A:1024022632303 . S2CID 1928001 . 
  31. 1 2 Trugenberger, CA (2002-12-19). "Transiciones de fase en el reconocimiento de patrones cuánticos". Physical Review Letters . 89 (27) 277903. arXiv : quant-ph/0204115 . Bibcode : 2002PhRvL..89A7903T . doi : 10.1103/physrevlett.89.277903 . ISSN 0031-9007 . PMID 12513243 . S2CID 33065081 .   
  32. 1 2 Rebentrost, Patrick; Mohseni, Masoud; Lloyd, Seth (2014). "Máquina de vectores de soporte cuántico para la clasificación de grandes datos". Physical Review Letters . 113 (13) 130503. arXiv : 1307.0471 . Bibcode : 2014PhRvL.113m0503R . doi : 10.1103/PhysRevLett.113.130503 . hdl : 1721.1/90391 . PMID 25302877 . S2CID 5503025 .  
  33. 1 2 Wiebe, Nathan; Braun, Daniel; Lloyd, Seth (2012). "Algoritmo cuántico para ajuste de datos". Physical Review Letters . 109 (5) 050505. arXiv : 1204.5242 . Bibcode : 2012PhRvL.109e0505W . doi : 10.1103/PhysRevLett.109.050505 . PMID 23006156 . S2CID 118439810 .  
  34. 1 2 Schuld, Maria; Sinayskiy, Ilya; Petruccione, Francesco (2016). "Predicción mediante regresión lineal en una computadora cuántica". Physical Review A . 94 (2) 022342. arXiv : 1601.07823 . Bibcode : 2016PhRvA..94b2342S . doi : 10.1103/PhysRevA.94.022342 . S2CID 118459345 . 
  35. ↑ Harrow, Aram W.; Hassidim, Avinatan; Lloyd, Seth (2008). "Algoritmo cuántico para resolver sistemas lineales de ecuaciones". Physical Review Letters . 103 (15) 150502. arXiv : 0811.3171 . Bibcode : 2009PhRvL.103o0502H . doi : 10.1103/PhysRevLett.103.150502 . PMID 19905613 . S2CID 5187993 .  
  36. ↑ Berry, Dominic W.; Childs, Andrew M.; Kothari, Robin (2015). "Simulación hamiltoniana con dependencia casi óptima de todos los parámetros". 2015 IEEE 56th Annual Symposium on Foundations of Computer Science . 56th Annual Symposium on Foundations of Computer Science. IEEE. pp. 792–809 . arXiv : 1501.01715 . doi : 10.1109/FOCS.2015.54 . ISBN  978-1-4673-8191-8.
  37. ↑ Lloyd, Seth; Mohseni, Masoud; Rebentrost, Patrick (2014). "Análisis de componentes principales cuánticos". Nature Physics . 10 (9): 631. arXiv : 1307.0401 . Bibcode : 2014NatPh..10..631L . CiteSeerX 10.1.1.746.480 . doi : 10.1038/nphys3029 . S2CID 11553314 .  
  38. ↑ Zhao, Zhikuan; Fitzsimons, Jack K.; Fitzsimons, Joseph F. (2019). "Regresión de procesos gaussianos asistida cuánticamente". Physical Review A . 99 (5) 052331. arXiv : 1512.03929 . Bibcode : 2019PhRvA..99e2331Z . doi : 10.1103/PhysRevA.99.052331 . S2CID 18303333 . 
  39. ↑ Soklakov, Andrei N.; Schack, Rüdiger (2006). "Preparación eficiente del estado para un registro de bits cuánticos". Physical Review A . 73 (1) 012307. arXiv : quant-ph/0408045 . Bibcode : 2006PhRvA..73a2307S . doi : 10.1103/PhysRevA.73.012307 . S2CID 17318769 . 
  40. ↑ Giovannetti, Vittorio; Lloyd, Seth; MacCone, Lorenzo (2008). "Memoria de acceso aleatorio cuántico". Physical Review Letters . 100 (16) 160501. arXiv : 0708.1879 . Bibcode : 2008PhRvL.100p0501G . doi : 10.1103/PhysRevLett.100.160501 . PMID 18518173 . S2CID 570390 .  
  41. ↑ Aaronson, Scott (2015). "Lea la letra pequeña". Nature Physics . 11 (4): 291– 293. Bibcode : 2015NatPh..11..291A . doi : 10.1038/nphys3272 . S2CID 122167250 . 
  42. ↑ Bang, Jeongho; Dutta, Arijit; Lee, Seung-Woo; Kim, Jaewan (2019). "Uso óptimo de la memoria de acceso aleatorio cuántica en el aprendizaje automático cuántico". Physical Review A . 99 (1) 012326. arXiv : 1809.04814 . Bibcode : 2019PhRvA..99a2326B . doi : 10.1103/PhysRevA.99.012326 . S2CID 62841090 . 
  43. ↑ Peddireddy, Dheeraj; Bansal, V.; Jacob, Z.; Aggarwal, V. (2022). "Circuitos cuánticos variacionales parametrizados por anillos tensoriales para el aprendizaje automático cuántico a gran escala". arXiv : 2201.08878 [ quant-ph ].
  44. ↑ Griol-Barres, Israel; Milla, Sergio; Cebrián, Antonio; Mansoori, Yashar; Millet, José (enero de 2021). "Circuitos cuánticos variacionales para aprendizaje automático. Una aplicación para la detección de señales débiles" . Applied Sciences . 11 (14): 6427. doi : 10.3390/app11146427 . hdl : 10251/182654 . ISSN 2076-3417 . 
  45. ↑ Chen, Samuel Yen-Chi; Yang, Chao-Han Huck; Qi, Jun; Chen, Pin-Yu; Ma, Xiaoli; Goan, Hsi-Sheng (2020). "Circuitos cuánticos variacionales para el aprendizaje profundo por refuerzo" . IEEE Access . 8 : 141007–141024 . arXiv : 1907.00397 . Bibcode : 2020IEEEA...8n1007C . doi : 10.1109/ACCESS.2020.3010470 . ISSN 2169-3536 . S2CID 195767325 .  
  46. ↑ Cerezo, M., Arrasmith, A. y Babbush, R.; et al. (agosto de 2021) (2021). "Algoritmos cuánticos variacionales". Nature Reviews Physics . 3 (9): 625– 644. arXiv : 2012.09265 . Bibcode : 2021NatRP...3..625C . doi : 10.1038/s42254-021-00348-9 . {{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )
  47. ↑ Park, Daniel K.; Blank, Carsten; Petruccione, Francesco (27 de julio de 2020). "La teoría del clasificador binario basado en el núcleo cuántico" . Physics Letters A. 384 ( 21) 126422. arXiv : 2004.03489 . Bibcode : 2020PhLA..38426422P . doi : 10.1016/j.physleta.2020.126422 . ISSN 0375-9601 . S2CID 215238793 .  
  48. ↑ Yi, Teng; Wang, Jie; Xu, Fufang (2021-08-01). "Clasificación binaria de cúbits individuales mediante un método de aprendizaje automático cuántico" . Journal of Physics: Conference Series . 2006 (1) 012020. doi : 10.1088/1742-6596/2006/1/012020 . ISSN 1742-6588 . S2CID 237286847 .  
  49. ↑ Maheshwari, Danyal; Sierra-Sosa, Daniel; Garcia-Zapirain, Begonya (2022). "Clasificador cuántico variacional para clasificación binaria: conjunto de datos real vs sintético" . IEEE Access . 10 : 3705–3715 . Bibcode : 2022IEEEA..10.3705M . doi : 10.1109/ACCESS.2021.3139323 . ISSN 2169-3536 . S2CID 245614428 .  
  50. 1 2 Aïmeur, Esma; Brassard, Gilles; Gambs, Sébastien (2013-02-01). "Aceleración cuántica para el aprendizaje no supervisado" . Machine Learning . 90 (2): 261– 287. doi : 10.1007/s10994-012-5316-5 . ISSN 0885-6125 . 
  51. ↑ Wiebe, Nathan; Kapoor, Ashish; Svore, Krysta M. (2016). Modelos de perceptrón cuántico . Avances en sistemas de procesamiento de información neuronal. Vol. 29. pp. 3999– 4007. arXiv : 1602.04799 .  
  52. ↑ Paparo, Giuseppe Davide; Martin-Delgado, Miguel Ángel (2012). "Google en una red cuántica" . Scientific Reports . 2 (444): 444. arXiv : 1112.2079 . Bibcode : 2012NatSR...2..444P . doi : 10.1038 / srep00444 . PMC 3370332. PMID 22685626 .  
  53. 1 2 3 4 Paparo, Giuseppe Davide; Dunjko, Vedran; Makmal, Adi; Martin-Delgado, Miguel Angel; Briegel, Hans J. (2014). "Aceleración cuántica para agentes de aprendizaje activo". Physical Review X . 4 (3) 031002. arXiv : 1401.4997 . Bibcode : 2014PhRvX...4c1002P . doi : 10.1103/PhysRevX.4.031002 . S2CID 54652978 . 
  54. ↑ Dong, Daoyi; Chen, Chunlin; Li, Hanxiong; Tarn, Tzyh-Jong (2008). "Aprendizaje por refuerzo cuántico". IEEE Transactions on Systems, Man, and Cybernetics - Part B: Cybernetics . 38 (5): 1207– 1220. arXiv : 0810.3828 . Bibcode : 2008ITSMB..38.1207D . CiteSeerX 10.1.1.243.5369 . doi : 10.1109/TSMCB.2008.925743 . PMID 18784007 . S2CID 17768796 .   
  55. ^ Crawford, Daniel; Levit, Anna; Ghadermarzy, Navid; Oberoi, Jaspreet S.; Ronagh, Pooya (2018). "Aprendizaje por refuerzo utilizando máquinas Quantum Boltzmann". arXiv : 1612.05695 [ cuántico-ph ].
  56. ↑ Dunjko, Vedran; Friis, Nicolai; Briegel, Hans J. (2015-01-01). "Deliberación cuántica mejorada de agentes de aprendizaje usando iones atrapados". New Journal of Physics . 17 (2) 023006. arXiv : 1407.2830 . Bibcode : 2015NJPh...17b3006D . doi : 10.1088/1367-2630/17/2/023006 . ISSN 1367-2630 . S2CID 119292539 .  
  57. ↑ Lamata, Lucas (2017). "Protocolos básicos en el aprendizaje por refuerzo cuántico con circuitos superconductores" . Scientific Reports . 7 (1) 1609. arXiv : 1701.05131 . Bibcode : 2017NatSR...7.1609L . doi : 10.1038/s41598-017-01711-6 . PMC 5431677. PMID 28487535 .  
  58. ^ Sriarunothai , Theeraphot; Wölk, Sabine; Giri, Gouri Shankar; Friis, Nicolai; Dunjko, Vedran; Briegel, Hans J.; Wunderlich, Christof (2019). "Acelerar la toma de decisiones de un agente de aprendizaje mediante un procesador cuántico de trampa de iones". Ciencia y tecnología cuánticas . 4 (1): 015014. arXiv : 1709.01366 . Código Bib : 2019QS y T....4a5014S . doi : 10.1088/2058-9565/aaef5e . ISSN 2058-9565 . S2CID 2429346 .  
  59. 1 2 3 Saggio, Valeria; Asenbeck, Beate; Hamann, Arne; Strömberg, Teodor; Schiansky, Peter; Dunjko, Vedran; Friis, Nicolai; Harris, Nicolás C.; Hochberg, Michael; Englund, Dirk; Wölk, Sabine; Briegel, Hans J.; Walther, Philip (10 de marzo de 2021). "Aceleración cuántica experimental en agentes de aprendizaje por refuerzo" . Naturaleza . 591 (7849): 229– 233. arXiv : 2103.06294 . Código Bib : 2021Natur.591..229S . doi : 10.1038/s41586-021-03242-7 . ISSN 1476-4687 . PMC 7612051 . PMID 33692560 . S2CID 232185235 .    
  60. ^ Biswas, Rupak ; Jiang, Zhang; Kechezi, Kostya; Knysh, Sergey; Mandrá, Salvatore; O'Gorman, Bryan; Perdomo-Ortiz, Alejando; Pethukov, André; Realpe-Gómez, John; Rieffel, Eleanor; Venturelli, Davide; Vasko, Fedir; Wang, Zhihui (2016). "Una perspectiva de la NASA sobre la computación cuántica: oportunidades y desafíos" . Computación Paralela . 64 : 81– 98. arXiv : 1704.04836 . doi : 10.1016/j.parco.2016.11.002 . S2CID 27547901 . 
  61. 1 2 Adachi, Steven H.; Henderson, Maxwell P. (2015). "Aplicación del recocido cuántico al entrenamiento de redes neuronales profundas". arXiv : 1510.06356 [ quant-ph ].
  62. 1 2 Benedetti, Marcello; Realpe-Gómez, John; Biswas, Rupak; Perdomo-Ortiz, Alejandro (2016). "Estimación de temperaturas efectivas en recocedores cuánticos para aplicaciones de muestreo: un estudio de caso con posibles aplicaciones en aprendizaje profundo". Physical Review A . 94 (2) 022308. arXiv : 1510.07611 . Bibcode : 2016PhRvA..94b2308B . doi : 10.1103/PhysRevA.94.022308 . S2CID 118602077 . 
  63. 1 2 Korenkevych, Dmytro; Xue, Yanbo; Bian, Zhengbing; Chudak, Fabian; Macready, William G.; Rolfe, Jason; Andriyash, Evgeny (2016). "Benchmarking quantum hardware for training of fully visible Boltzmann machines". arXiv : 1611.04528 [ quant-ph ].
  64. 1 2 3 Benedetti, Marcello; Realpe-Gómez, John; Biswas, Rupak; Perdomo-Ortiz, Alejandro (2017). "Aprendizaje asistido por mecánica cuántica de modelos gráficos con conectividad arbitraria por pares". Physical Review X . 7 (4) 041052. arXiv : 1609.02542 . Bibcode : 2017PhRvX...7d1052B . doi : 10.1103/PhysRevX.7.041052 . S2CID 55331519 . 
  65. ↑ Rocutto, Lorenzo; Destri, Claudio; Prati, Enrico (2021). "Aprendizaje semántico cuántico mediante recocido inverso de una computadora cuántica adiabática". Tecnologías cuánticas avanzadas . 4 (2) 2000133. arXiv : 2003.11945 . doi : 10.1002/qute.202000133 . ISSN 2511-9044 . S2CID 214667224 .  
  66. ^ Amin, Mohammad H.; Andriyash, Evgeny; Rolfe, Jason; Kulchytskyy, Bohdan; Melko, Roger (2018). "Máquinas cuánticas Boltzmann". Física. Rev. X. 8 (21050) 021050. arXiv : 1601.02036 . Código Bib : 2018PhRvX...8b1050A . doi : 10.1103/PhysRevX.8.021050 . S2CID 119198869 . 
  67. ↑ Das, Arnab; Chakrabarti, Bikas K.; Stinchcombe, Robin B. (2005). "Recocido cuántico en un sistema con restricciones cinéticas". Physical Review E . 72 (2) 026701. arXiv : cond-mat/0502167 . Bibcode : 2005PhRvE..72b6701D . doi : 10.1103/PhysRevE.72.026701 . PMID 16196745 . 
  68. ↑ Wiebe, Nathan; Kapoor, Ashish; Svore, Krysta M. (2014). "Aprendizaje profundo cuántico". arXiv : 1412.3489 [ quant-ph ].
  69. ↑ Wittek, Peter; Gogolin, Christian (2017). " Inferencia cuántica mejorada en redes de lógica de Markov" . Scientific Reports . 7 45672. arXiv : 1611.08104 . Bibcode : 2017NatSR...745672W . doi : 10.1038/srep45672 . PMC 5395824. PMID 28422093 .  
  70. ↑ Henderson, Maxwell; Shakya, Samriddhi; Pradhan, Shashindra; Cook, Tristan (27 de febrero de 2020). "Redes neuronales cuanvolutivas: potenciando el reconocimiento de imágenes con circuitos cuánticos". Quantum Machine Intelligence . 2 (1) 2. arXiv : 1904.04767 . doi : 10.1007/s42484-020-00012-y . ISSN 2524-4906 . S2CID 104291950 .  
  71. ↑ Gaikwad, Akash S. Poda de red neuronal convolucional (SqueezeNet) para una implementación de hardware eficiente . OCLC 1197735354 . 
  72. ↑ Cong, Iris; Choi, Soonwon; Lukin, Mikhail D. (2019-08-26). "Redes neuronales convolucionales cuánticas". Nature Physics . 15 (12): 1273– 1278. arXiv : 1810.03787 . Bibcode : 2019NatPh..15.1273C . doi : 10.1038/s41567-019-0648-8 . ISSN 1745-2473 . S2CID 53642483 .  
  73. ↑ Mitarai, K.; Negoro, M.; Kitagawa, M.; Fujii, K. (2018-09-10). "Aprendizaje de circuitos cuánticos". Physical Review A . 98 (3) 032309. arXiv : 1803.00745 . Bibcode : 2018PhRvA..98c2309M . doi : 10.1103/physreva.98.032309 . hdl : 11094/77645 . ISSN 2469-9926 . S2CID 117542570 .  
  74. ↑ Hochreiter, Sepp; Schmidhuber, Jürgen (1 de noviembre de 1997). "Memoria a largo plazo". Computación neuronal . 9 (8): 1735–1780 . doi : 10.1162/neco.1997.9.8.1735 . ISSN 0899-7667 . PMID 9377276 . S2CID 1915014 .   
  75. ↑ Preskill, John (2018-08-06). "Computación cuántica en la era NISQ y más allá". Quantum . 2 79. arXiv : 1801.00862 . Bibcode : 2018Quant...2...79P . doi : 10.22331/q-2018-08-06-79 . ISSN 2521-327X . S2CID 44098998 .  
  76. ↑ Bacon, Dave (12 de septiembre de 2013). «Corrección experimental de errores cuánticos» . Corrección de errores cuánticos . Cambridge University Press. págs. 509–518 . doi : 10.1017/cbo9781139034807.023 . ISBN  978-0-521-89787-7. Consultado el 23 de noviembre de 2022 .
  77. ^ Bharti, Kishor; Cervera-Lierta, Alba; Kyaw, Thi Ha; Haug, Tobías; Alperin-Lea, Sumner; Anand, Abhinav; Degroote, Matías; Heimonen, Hermanni; Kottmann, Jakob S.; Menke, Tim; Mok, Wai-Keong; Sim, Sukin; Kwek, Leong-Chuan; Aspuru-Guzik, Alán (15 de febrero de 2022). "Algoritmos cuánticos ruidosos de escala intermedia". Reseñas de Física Moderna . 94 (1) 015004. arXiv : 2101.08448 . Código Bib : 2022RvMP...94a5004B . doi : 10.1103/revmodphys.94.015004 . hdl : 10356/161272 . ISSN 0034-6861 . S2CID 231662441 .  
  78. ↑ Grant, Edward; Benedetti, Marcello; Cao, Shuxiang; Hallam, Andrew; Lockhart, Joshua; Stojevic, Vid; Green, Andrew G.; Severini, Simone (diciembre de 2018). "Clasificadores cuánticos jerárquicos". npj Quantum Information . 4 (1): 65. arXiv : 1804.03680 . Bibcode : 2018npjQI...4...65G . doi : 10.1038/s41534-018-0116-9 . S2CID 55479810 . 
  79. ↑ Zhao, Chen; Gao, Xiao-Shan (2021-06-04). "Análisis del fenómeno de meseta estéril en el entrenamiento de redes neuronales cuánticas con el cálculo ZX". Quantum . 5 466. arXiv : 2102.01828 . Bibcode : 2021Quant...5..466Z . doi : 10.22331/q-2021-06-04-466 . ISSN 2521-327X . S2CID 231786346 .  
  80. ↑ Hur, Tak; Kim, Leeseok; Park, Daniel K. (10 de febrero de 2022). "Red neuronal convolucional cuántica para la clasificación de datos clásicos". Quantum Machine Intelligence . 4 (1): 3. arXiv : 2108.00661 . doi : 10.1007/s42484-021-00061-x . ISSN 2524-4906 . S2CID 236772493 .  
  81. ↑ Sentís, Gael; Guţă, Mădălin; Adesso, Gerardo (9 de julio de 2015). "Aprendizaje cuántico de estados coherentes" . Tecnología cuántica EPJ . 2 (1): 17. arXiv : 1410.8700 . Código Bib : 2015EPJQT...2...17S . doi : 10.1140/epjqt/s40507-015-0030-4 .
  82. ↑ Sasaki, Masahide; Carlini, Alberto (6 de agosto de 2002). "Aprendizaje cuántico y máquina de emparejamiento cuántico universal". Physical Review A. 66 ( 2) 022303. arXiv : quant-ph/0202173 . Bibcode : 2002PhRvA..66b2303S . doi : 10.1103/PhysRevA.66.022303 . S2CID 119383508 . 
  83. ↑ Bisio, Alejandro; Chiribella, Giulio; D'Ariano, Giacomo Mauro; Facchini, Stefano; Perinotti, Paolo (25 de marzo de 2010). "Aprendizaje cuántico óptimo de una transformación unitaria". Revisión física A. 81 (3) 032324. arXiv : 0903.0543 . Código Bib : 2010PhRvA..81c2324B . doi : 10.1103/PhysRevA.81.032324 . S2CID 119289138 . 
  84. ↑ Aïmeur, Esma; Brassard, Gilles; Gambs, Sébastien (1 de enero de 2007). «Algoritmos de agrupamiento cuántico». Actas de la 24.ª conferencia internacional sobre aprendizaje automático . págs. 1-8 . CiteSeerX 10.1.1.80.9513 . doi : 10.1145/1273496.1273497 . ISBN   978-1-59593-793-3. S2CID 4357684 . 
  85. 1 2 Heese, Raoul; Gerlach, Thore; Mücke, Sascha; Müller, Sabine; Jacobs, Matías; Piatkowski, Nico (2025). "Explicación de circuitos cuánticos con valores de Shapley: hacia un aprendizaje automático cuántico explicable". Inteligencia de máquinas cuánticas . 7 27. arXiv : 2301.09138 . doi : 10.1007/s42484-025-00254-8 .
  86. ↑ Molnar, Christoph. Aprendizaje automático interpretable .
  87. ↑ Schuld, Maria; Killoran, Nathan (2 de marzo de 2022). "¿Es la ventaja cuántica el objetivo correcto para el aprendizaje automático cuántico?". PRX Quantum . 3 (3) 030101. arXiv : 2203.01340 . Bibcode : 2022PRXQ....3c0101S . doi : 10.1103/PRXQuantum.3.030101 . S2CID 247222732 . 
  88. ↑ Mercaldo, F.; Ciaramella, G.; Iadarola, G.; Storto, M.; Martinelli, F.; Santone, Ao (2022). "Hacia un aprendizaje automático cuántico explicable para la detección y clasificación de malware móvil" . Applied Sciences . 12 (23) 12025. doi : 10.3390/app122312025 .
  89. ↑ Ribeiro, Marco Tulio; Singh, Sameer; Guestrín, Carlos (9 de agosto de 2016). ""¿Por qué debería confiar en ti?": Explicando las predicciones de cualquier clasificador". arXiv : 1602.04938 [ cs.LG ].
  90. ↑ Pira, Lirandë; Ferrie, Chris (18 de abril de 2024). "Sobre la interpretabilidad de las redes neuronales cuánticas". Quantum Machine Intelligence . 6 (2) 52. arXiv : 2308.11098 . doi : 10.1007/s42484-024-00191-y .
  91. ↑ Schnabel, Jan; Roth, Marco (2025). "Métodos de núcleo cuántico bajo escrutinio: un estudio comparativo". Quantum Machine Intelligence . 7 58. arXiv : 2409.04406 . doi : 10.1007/s42484-025-00273-5 .
  92. ↑ Bhardwaj, Pallavi; Jones, Caitlin; Dierich, Lasse; Vučković, Aleksandar (2025). "TabularQGAN: Un modelo generativo cuántico para datos tabulares". arXiv : 2505.22533 [ cs.LG ].
  93. ↑ Cory, DG; Wiebe, Nathan; Ferrie, Christopher; Granade, Christopher E. (2012-07-06). "Aprendizaje hamiltoniano robusto en línea". New Journal of Physics . 14 (10) 103013. arXiv : 1207.1655 . Bibcode : 2012NJPh...14j3013G . doi : 10.1088/1367-2630/14/10/103013 . S2CID 9928389 . 
  94. ↑ Arunachalam, Srinivasan; de Wolf, Ronald (2017). "Una revisión de la teoría del aprendizaje cuántico". arXiv : 1701.06806 [ quant-ph ].
  95. 1 2 3 Servedio, Rocco A.; Gortler, Steven J. (2004). "Equivalencias y separaciones entre la capacidad de aprendizaje cuántico y clásico". SIAM Journal on Computing . 33 (5): 1067– 1092. CiteSeerX 10.1.1.69.6555 . doi : 10.1137/S0097539704412910 . 
  96. ↑ Arunachalam, Srinivasan; de Wolf, Ronald (2016). "Complejidad óptima de muestras cuánticas de algoritmos de aprendizaje". arXiv : 1607.00932 [ quant-ph ].
  97. ↑ Bshouty, Nader H.; Jackson, Jeffrey C. (1999). "Aprendizaje de DNF sobre la distribución uniforme utilizando un oráculo de ejemplo cuántico". SIAM Journal on Computing . 28 (3): 1136– 1153. CiteSeerX 10.1.1.23.5709 . doi : 10.1137/S0097539795293123 . 
  98. ↑ Monrás, Alex; Sentís, Gael; Wittek, Peter (2017). "Aprendizaje cuántico supervisado inductivo". Cartas de revisión física . 118 (19) 190503. arXiv : 1605.07541 . Código Bib : 2017PhRvL.118s0503M . doi : 10.1103/PhysRevLett.118.190503 . PMID 28548536 . S2CID 6521971 .  
  99. ↑ "Demostración de NIPS 2009: Clasificación binaria mediante implementación de hardware de recocido cuántico" (PDF) . Static.googleusercontent.com . Consultado el 26 de noviembre de 2014 .
  100. ↑ "Equipo del Laboratorio de IA Cuántica de Google" . Google Plus . 31 de enero de 2017. Consultado el 31 de enero de 2017 .
  101. ↑ "Laboratorio de Inteligencia Artificial Cuántica de la NASA" . NASA . 31 de enero de 2017. Archivado del original el 1 de febrero de 2017. Consultado el 31 de enero de 2017 .
  102. ↑ Neigovzen, Rodion; Neves, Jorge L.; Sollacher, Rudolf; Glaser, Steffen J. (2009). "Reconocimiento de patrones cuánticos con resonancia magnética nuclear en estado líquido". Physical Review A . 79 (4) 042321. arXiv : 0802.1592 . Bibcode : 2009PhRvA..79d2321N . doi : 10.1103/PhysRevA.79.042321 . S2CID 119115625 . 
  103. ↑ Li, Zhaokai; Liu, Xiaomei; Xu, Nanyang; Du, Jiangfeng (2015). "Realización experimental de una máquina de vectores de soporte cuántica". Physical Review Letters . 114 (14) 140504. arXiv : 1410.1054 . Bibcode : 2015PhRvL.114n0504L . doi : 10.1103/PhysRevLett.114.140504 . PMID 25910101 . S2CID 119182770 .  
  104. ↑ Wan, Kwok-Ho; Dahlsten, Oscar; Kristjansson, Hler; Gardner, Robert; Kim, Myungshik (2017). "Generalización cuántica de redes neuronales de alimentación directa". npj Quantum Information . 3 (36): 36. arXiv : 1612.01045 . Bibcode : 2017npjQI...3...36W . doi : 10.1038/s41534-017-0032-4 . S2CID 51685660 . 
  105. ↑ Brunner, Daniel; Soriano, Miguel C.; Mirasso, Claudio R.; Fischer, Ingo (2013). "Procesamiento paralelo de información fotónica a velocidades de datos de gigabytes por segundo utilizando estados transitorios" . Nature Communications . 4 1364. Bibcode : 2013NatCo...4.1364B . doi : 10.1038/ncomms2368 . PMC 3562454. PMID 23322052 .  
  106. ↑ Tezak, Nikolas; Mabuchi, Hideo (2015). "Un perceptrón coherente para el aprendizaje totalmente óptico". EPJ Quantum Technology . 2 (1): 10. arXiv : 1501.01608 . Bibcode : 2015EPJQT...2...10T . doi : 10.1140/epjqt/s40507-015-0023-3 . S2CID 28568346 . 
  107. ↑ Cai, X.-D.; Wu, D.; Su, Z.-E.; Chen, M.-C.; Wang, X.-L.; Li, Li; Liu, N.-L.; Lu, C.-Y.; Pan, J.-W. (2015). "Entanglement-Based Machine Learning on a Quantum Computer". Physical Review Letters . 114 (11) 110504. arXiv : 1409.7770 . Bibcode : 2015PhRvL.114k0504C . doi : 10.1103/PhysRevLett.114.110504 . PMID 25839250 . S2CID 44769024 .  
  108. ^ Pfeiffer, P.; Egusquiza, Illinois; Di Ventra, M.; Sanz, M.; Solano, E. (2016). "Memristores cuánticos" . Informes científicos . 6 (2016) 29507. arXiv : 1511.02192 . Código Bib : 2016NatSR...629507P . doi : 10.1038/srep29507 . PMC 4933948 . PMID 27381511 .  
  109. ^ Salmilehto, J.; Deppe, F.; Di Ventra, M.; Sanz, M.; Solano, E. (2017). "Memristores cuánticos con circuitos superconductores" . Informes científicos . 7 42044. arXiv : 1603.04487 . Código Bib : 2017NatSR...742044S . doi : 10.1038/srep42044 . PMC 5307327 . PMID 28195193 .  
  110. ↑ Li, Ying; Holloway, Gregory W.; Benjamin, Simon C.; Briggs, G. Andrew D.; Baugh, Jonathan; Mol, Jan A. (2017). "Un memristor cuántico simple y robusto". Physical Review B . 96 (7) 075446. arXiv : 1612.08409 . Bibcode : 2017PhRvB..96g5446L . doi : 10.1103/PhysRevB.96.075446 . S2CID 119454549 . 
  111. ↑ Bird, Jordan J.; Ekárt, Anikó; Faria, Diego R. (2019-10-28). "Sobre los efectos de los generadores de números pseudoaleatorios y cuánticos aleatorios en la computación blanda" . Soft Computing . 24 (12). Springer Science and Business Media LLC: 9243– 9256. doi : 10.1007/s00500-019-04450-0 . ISSN 1432-7643 . 
  112. ↑ Heese, Raoul; Wolter, Moritz; Mücke, Sascha; Franken, Lukas; Piatkowski, Nico (2024). "Sobre los efectos de los números aleatorios cuánticos sesgados en la inicialización de redes neuronales artificiales". Machine Learning . 113 (3): 1189– 1217. arXiv : 2108.13329 . doi : 10.1007/s10994-023-06490-y .
  113. ↑ "Un truco cuántico con fotones acelera el aprendizaje automático" . New Scientist . Consultado el 31 de agosto de 2021 .
  114. ↑ "NVIDIA lanza Ising, los primeros modelos de IA abiertos del mundo para acelerar el camino hacia computadoras cuánticas útiles" (Comunicado de prensa). Sala de prensa de NVIDIA. 14 de abril de 2026. Consultado el 16 de abril de 2026 .
  115. ↑ "Comprender el problema más preocupante de la computación cuántica: la meseta estéril" . Archivado del original el 4 de agosto de 2025. Consultado el 19 de diciembre de 2025 .
  116. ↑ Laboratorio, Los Alamos National. "Resolver las 'mesetas estériles' es la clave del aprendizaje automático cuántico" . phys.org . Consultado el 6 de agosto de 2025 .
  117. ↑ LANL (26 de agosto de 2024). "El equipo de LANL descifra el código del gran problema de los algoritmos de aprendizaje automático cuántico | LANL" . Laboratorio Nacional de Los Alamos . Consultado el 6 de agosto de 2025 .
  118. ↑ Larocca, Martin; Czarnik, Piotr; Sharma, Kunal; Muraleedharan, Gopikrishnan; Coles, Patrick J.; Cerezo, M. (29 de septiembre de 2022). "Diagnosing Barren Plateaus with Tools from Quantum Optimal Control" . Quantum: The Open Journal for Quantum Science . 6 824. arXiv : 2105.14377 . Bibcode : 2022Quant...6..824L . doi : 10.22331/q-2022-09-29-824 . Archivado del original el 27 de febrero de 2025. Recuperado el 6 de agosto de 2025 .
  119. ↑ Recio-Armengol, Erik; Eisert, Jens; Meyer, Johannes Jakob (2025). "Aprendizaje automático cuántico de una sola pasada". Physical Review A . 111 (4) 042420. arXiv : 2406.13812 . Bibcode : 2025PhRvA.111d2420R . doi : 10.1103/PhysRevA.111.042420 .
  120. ↑ Chen, Sophia (4 de mayo de 2020). "¿Puede el aprendizaje automático cuántico ir más allá de su propia exageración?" . Protocol . Archivado del original el 27 de octubre de 2020 . Consultado el 27 de octubre de 2020 .
  121. ↑ "¿Puede el aprendizaje automático cuántico ir más allá de su propia exageración?" . quantamagazine.org . 22-01-2018.