Apprendimento supervisionato con embedding hamiltoniani quantistici

Abstract degli autori

L’apprendimento automatico è ampiamente considerato un’applicazione promettente in cui la computazione quantistica potrebbe offrire un vantaggio computazionale. Tuttavia, i modelli generali di apprendimento automatico quantistico con garanzie dimostrabili sulle prestazioni, sull’addestrabilità e sull’efficienza dell’inferenza restano limitati. In questo lavoro introduciamo gli embedding hamiltoniani quantistici, un framework di apprendimento supervisionato in cui un dataset di addestramento classico viene codificato in un unico Hamiltoniano efficace e parametrizzato. L’addestramento ottimizza i parametri di questo Hamiltoniano dipendente dai dati, il cui stato fondamentale approssimato definisce la regola di classificazione. Una volta approssimato lo stato fondamentale con un algoritmo quantistico, l’inferenza può essere eseguita classicamente, usando una rappresentazione classica dello stato appreso, oppure con una rappresentazione quantistica dello stato. Stabiliamo metodi efficienti per la stima dei gradienti e dimostriamo garanzie favorevoli di generalizzazione. Inoltre, sotto ipotesi crittografiche standard, mostriamo che gli embedding hamiltoniani possono realizzare funzioni di ipotesi che vanno oltre la portata degli algoritmi classici efficienti. Dimostriamo quindi il framework su larga scala sui processori IBM Heron, usando un dataset standard di benchmark. Nel loro insieme, questi risultati stabiliscono gli embedding hamiltoniani come un nuovo framework per l’apprendimento automatico quantistico, che combina garanzie teoriche con un percorso per svolgere indagini sperimentali su larga scala su hardware quantistico.