7.0. Будущее квантовых вычислений. Приветствие и рекап прошлой лекции

Всем привет!

Добро пожаловать на седьмую и последнюю лекцию
по практическим основам квантовых вычислений.

Для начала, я хочу поблагодарить
всех, кто нашёл время

и оставил

свой отзыв,

опрос будет доступен ещё несколько дней,

поэтому если у вас есть время и вы ещё
не ответили на наши вопросы,

мы были бы рады получить от вас
обратную связь.

Мы получили много предложений
по будущим лекциям и курсам,

а также несколько предложений,
как улучшить

лекции и всё такое, так что

это всегда полезно для нас и мы будем
благодарны,

если вы найдёте время, чтобы пройти
этот опрос.

Я бы хотел ответить на один вопрос, который
неоднократно появлялся

в моей почте в последние

дни после той

лекции на прошлой неделе о квантовом
машинном обучении, и о том,

что можно сделать, используя эти приёмы,

которые невозможны в классическом
машинном обучении.

Что ж, это сложный вопрос.

Это то, о чём я говорил в начале курса

относительно квантовых вычислений в целом.
Я упомянул, что мы

на самом деле не знаем, как доказать,

что квантовые вычисления

эффективнее, в некотором смысле,

чем классические.

Мы не можем доказать, что они дают выигрыш
во времени на определённых задачах,

в основном, потому что у нас нет
математического аппарата.

По сути, у нас даже нет математического
аппарата,

чтобы доказать что P не равно NP.

Хотя сами мы твёрдо убеждены,
что это – истина,

квантовые вычисления пока в процессе
становления.

Поэтому если бы мы могли найти
чёткий водораздел между

классическими и квантовыми вычислениями,

то из этого сразу бы вытекало решение задачи
равенства P и NP и ряда схожих задач,

на которые в теории сложности вычислений

мы не знаем, как пока ответить.

И для квантового машинного обучения
ситуация аналогичная.

Если мы сможем доказать, что квантовое
машинное обучение более эффективно

для решения некоторых задач, чем классическое
машинное обучение,

то мы сможем получить такой водораздел,

но мы не ожидаем, что будем в состоянии
математически доказать его наличие

в ближайшем будущем.

Решить вопрос можно было бы,

показав на практике на некоторых задачах,
что используя

существующие квантовые компьютеры,

можем получить

результаты результаты получше и выиграть

от использования квантового
машинного обучения.

И это относится к некоторым темам,
которые я затрону сегодня.

Это связано, конечно, с квантовым
превосходством,

но опять же, наша проблема

в очень маленьких и недостаточно защищённых
от ошибок квантовых компьютерах, и также

задача, с которой классическое машинное,
обучение в прошлом неплохо справлялось,

и у нас есть такие эффективные методы, которые
очень сложно превзойти в этой области.

Типы задач, которые я рассматривал
на прошлой лекции,

и которые я буду рассматривать сегодня,

связаны с квантовым машинным обучением,

в частности, с использованием квантовых
методов в машинном обучении.

Я рассказывал вам о возможности использования
алгоритма HHL (Харроу, Хасидим и Ллойд),

чтобы получить выигрыш во времени в некоторых
методах классического машинного обучения,

а также о возможности

использования многомерности
гильбертового пространства

для получения некоторого преимущества
в представимости результатов.

И я прокомментировал некоторые результаты

на прошлой неделе, предварительные
результаты

по характерной информации в квантовых
нейронных сетях.

Работа продолжается, мы ещё не получили
ничего определенного,

то есть это мало чем отличается от
квантовых вычислений,

тем не менее квантовое машинное обучение,
это более новая область,

чем квантовые вычисления в целом.
Поэтому мне кажется интересным

изучать то, что разрабатывается сейчас,

особенно в физике высоких энергий.

Эксперименты, которые проводят
исследователи,

следует рассматривать

по их результатам как предварительную
работу, как подтверждение идей,

которое

приведёт нас к лучшему пониманию
возможностей машинного обучения.

Итак,

ничего определенного пока,

но, я думаю, множество перспективных
направлений для исследования

и для практического применения в будущем
уже видны.