Kvantové strojové učení je vědní obor na průsečíku kvantové fyziky a informatiky , ve kterém se vyvíjejí a studují metody strojového učení , které mohou efektivně využívat paralelismus kvantových počítačů .
V kvantovém strojovém učení se používají tři hlavní modely učení:
V tomto modelu je cílem učení najít funkci, která se co nejvíce shoduje s neznámou funkcí. Zároveň je možné klást dotazy a získávat přesné odpovědi na hodnotu neznámé funkce pro různé hodnoty argumentů. Účinnost kvantových algoritmů ve vztahu ke klasickým v tomto případě závisí na tom, jak se měří účinnost učení. Pokud je měřítkem účinnosti počet provedených dotazů, pak kvantové algoritmy předbíhají klasické algoritmy pouze polynomiálně, ale pokud je měřítkem účinnosti doba učení, pak existují třídy funkcí, pro které jsou kvantové algoritmy mnohem rychlejší než klasické, za předpokladu, že je možné implementovat kvantové dotazy (tedy dotazy, které jsou v kvantové superpozici klasických dotazů).
Tento model také hledá funkci, která se nejvíce shoduje s neznámou funkcí, ale není možné provádět dotazy. Místo toho existuje sada vzorků. Matematicky je cílem vytvořit hypotézu o neznámé funkci, která nejlépe odpovídá neznámé funkci na dané sadě vzorků. Rozdíl mezi kvantovým učením PAC a klasickým učením je v tom, že tyto vzorky, obecně řečeno, mohou být ve stavu kvantové superpozice. V obecném případě to však nedává významný zisk a kvantový algoritmus se v rychlosti liší od klasického pouze nějakým konstantním faktorem. Existuje však určitá třída neznámých funkcí, pro které je kvantové učení PAC mnohem rychlejší než klasické učení.
V tomto modelu, za předpokladu sekvence n bitů, je úkolem najít hypotézu, která nejlépe předpovídá n + 1 bitů. Stejně jako v modelu PAC nejsou kvantové algoritmy obecně o mnoho rychlejší než klasické.
Kořeny kvantového strojového učení leží ve dvou hlavních odvětvích teoretické informatiky , které se objevily téměř současně v 80. letech: strojové učení a kvantová informatika . První prací, která se pokusila využít kvantové efekty ke zlepšení metod strojového učení, byla práce Nadera Bshutiho a Jeffreyho Jacksona v roce 1999 [1] , ve které navrhli použití tzv. kvantových vzorků pro učení, tedy vzorků, které jsou ve stavu kvantové superpozice několika klasických vzorků.
V roce 2000 byly také navrženy kvantové algoritmy pro řešení některých typických problémů strojového učení. Například v roce 2006 [2] byla navržena varianta Groverova algoritmu pro problém shlukování .