Pemelajaran mesin kuantum

Bagian dari seri
Pemelajaran mesin dan Penggalian Data
Paradigma Pemelajaran terawasi Pemelajaran tak terawasi Pemelajaran mesin daring Pemelajaran mesin luring Meta-learning Pemelajaran semi terawasi Pemelajaran terawasi mandiri Reinforcement learning Pemelajaran berbasis aturan Pemelajaran mesin kuantum
Masalah Klasifikasi Model generatif Regresi Kluster Reduksi dimensi Estimasi densitas Deteksi anomali Pembersihan data AutoML Aturan asosiasi Analisis semantik Rekayasa fitur Pemelajaran fitur
Pemelajaran diawasi (Klasifikasi • Regresi) Pohon keputusan Pemelajaran ensambel Bagging boosting Random forest k-NN Regresi linear Naive Bayes Jaringan saraf tiruan Regresi logistik Perseptron Support vector machine (SVM)
Klustering BIRCH CURE Hierarki k-means Fuzi
Reduksi dimensionalitas AKU
Jaringan saraf tiruan Pemelajaran dalam Jaringan saraf konvolusional
Diagnostik model Kurva belajar
l b s

Bagian dari seri artikel mengenai
Mekanika kuantum
${\displaystyle {\hat {H}}|\psi (t)\rangle =i\hbar {\frac {\partial }{\partial t}}|\psi (t)\rangle }$ Persamaan Schrödinger
Pengantar Glosarium Sejarah Buku teks
Latar belakang Mekanika klasik Teori kuantum lama Notasi Bra–ket Hamiltonian Interferensi
Dasar-dasar Bilangan kuantum Dekoherensi Fluktuasi kuantum Fungsi gelombang Keruntuhan fungsi gelombang Dualitas gelombang-partikel Gelombang materi Hamiltonian Interferensi Keadaan dasar Keadaan kuantum Keterkaitan Koherensi Komplementaritas Kuantum Nonlokalitas Operator Pengukuran Prinsip ketidakpastian Qubit Simetri Spin Superposisi Teleportasi kuantum Tingkat energi
Efek Efek Aharonov–Bohm Efek Casimir Efek fotolistrik Efek Stark Efek Zeeman Kuantisasi Landau Penerowongan kuantum
Eksperimen Celah ganda Davisson–Germer Elitzur–Vaidman Franck–Hertz Inekualitas Bell Inekualitas Leggett–Garg Kucing Schrödinger Mach–Zehnder Penghapus kuantum (pilihan tertunda) Popper Pilihan tertunda Wheeler Stern–Gerlach
Formulasi Garis besar Heisenberg Interaksi Matriks Ruang fase Schrödinger Sum-over-histories (path integral)
Persamaan Dirac Klein–Gordon Lippmann–Schwinger Pauli Rydberg Schrödinger
Interpretasi Garis besar Ansambel Banyak-dunia Bayesian de Broglie–Bohm Keruntuhan objektif Kopenhagen Logika kuantum Relasional Sejarah konsisten Stokastik Transaksional Variabel tersembunyi
Topik lanjutan Gravitasi kuantum Ilmu informasi kuantum Kekacauan kuantum Matriks densitas Mekanika kuantum fraksional Mekanika kuantum relativistik Mekanika statistikal kuantum Pemelajaran mesin kuantum Perhitungan kuantum Teori hamburan Teori medan kuantum
Ilmuwan Aharonov Bell Blackett Bloch Bohm Bohr Born Bose de Broglie Candlin Compton Dirac Davisson Debye Ehrenfest Einstein Everett Fock Fermi Feynman Glauber Gutzwiller Heisenberg Hilbert Jordan Kramers Pauli Lamb Landau Laue Moseley Millikan Onnes Planck Rabi Raman Rydberg Schrödinger Sommerfeld von Neumann Weyl Wien Wigner Zeeman Zeilinger Goudsmit Uhlenbeck Yang
Kategori Mekanika kuantum
l b s

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]

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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
3. ^ Trugenberger, Carlo A. (2002). "Quantum Pattern Recognition". Quantum Information Processing. 1 (6): 471–493. doi:10.1023/A:1024022632303.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)
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.  Parameter |s2cid= yang tidak diketahui akan diabaikan (bantuan)