O poder dos dados em Quantum Machine Learning

A medida que as tecnologias quânticas continuam avançado rapidamente, torna-se cada vez mais importante para entender quais aplicações podem se beneficiar da potência desses dispositivos.

Ao mesmo tempo, o aprendizado de máquina em computadores clássicos fez grandes avanços, revolucionando aplicações em reconhecimento de imagem, tradução de texto e até aplicações físicas e, com mais poder computacional levando a um desempenho maior. Como tal, se os computadores quânticos pudessem acelerar o aprendizado de máquina, o potencial de impacto é enorme.

As complexidades do problema que são criadas pela adição de dados a um problema. Algoritmos clássicos que podem aprender com dados a definir uma classe de complexidade que podem resolver problemas além da computação clássica (BPP), mas ainda é esperado que a computação quântica possa resolver problemas que algoritmos de ML clássicos com dados não conseguem.

O uso da computação quântica no aprendizado de máquina continua sendo uma perspectiva interessante, mas quantificando a vantagem quântica para tais problemas sutiã que é preciso abordar com cuidado. Quantitativamente como algoritmos de ML clássicos podem tornar-se computacionalmente mais poderoso, e uma previsão para modelos quânticos não é garantida, mesmo que os dados vêm de um processo quântico que é difícil de simular de forma independente.

Fonte:https://www.nature.com/articles/s41467-021-22539-9