Je ne répondrai qu'à la partie de la question concernant l'utilité de la mécanique quantique pour l'analyse de données classiques via l'apprentissage automatique. Il y a aussi des travaux liés à "l'IA quantique", mais c'est une chose beaucoup plus spéculative (et moins définie), dans laquelle je ne veux pas entrer.
Alors, les ordinateurs quantiques peuvent-ils être utilisés pour accélérer l'analyse des données via des algorithmes d'apprentissage automatique ? Citant Scott Aaronson Lisez les petits caractères du papier, qui est une simple question avec une réponse compliquée .
Il convient tout d'abord de noter qu'essayer de répondre à ce genre de question est une grande partie de ce qu'est le domaine de recherche de l' apprentissage automatique quantique (plus récemment, les termes d' apprentissage automatique amélioré par le quantique ou d' apprentissage automatique assisté par le quantique semblent être préférés pour faire référence à cette fusion de QM et ML, pour la distinguer de l'utilisation de ML pour aider à résoudre des problèmes dans QM). Comme vous pouvez le voir sur la page Wikipedia, il y a beaucoup de choses qui se passent sur le terrain, et il serait inutile d'essayer de donner une liste complète des documents pertinents ici, car ils deviendraient rapidement obsolètes.
Citant Schuld et al. 2014 , l'idée derrière le Quantum-Assisted Machine Learning (QAML) est la suivante:
Étant donné que le volume de données stockées dans le monde augmente d'environ 20% chaque année (actuellement de l'ordre de plusieurs centaines d'exaoctets [1]), la pression pour trouver des approches innovantes de l'apprentissage automatique augmente. Une idée prometteuse qui est actuellement étudiée par le monde universitaire ainsi que dans les laboratoires de recherche de grandes sociétés informatiques exploite le potentiel de l'informatique quantique afin d'optimiser les algorithmes classiques d'apprentissage automatique.
Pour revenir à votre question, une première réponse apparemment positive a été fournie par Harrow et al. 2009 , qui a donné un algorithme quantique efficace pour inverser un système linéaire d'équations (dans un certain nombre de conditions sur le système), fonctionnant lorsque les données sont stockées dans des états quantiques. S'agissant d'une opération d'algèbre linéaire fondamentale, la découverte a conduit à de nombreux algorithmes quantiques proposés pour résoudre les problèmes d'apprentissage automatique par certains des mêmes auteurs ( 1307.0401 , 1307.0411 , 1307.0471 ), ainsi que par de nombreux autres. Il existe maintenant de nombreux avis que vous pouvez consulter pour obtenir des listes de références plus complètes, comme 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , le livre de Peter Wittek , et probablement plus.
Cependant, il est loin d'être établi comment cela fonctionnerait dans la pratique. Certaines des raisons sont bien expliquées dans l'article d'Aaronson: Lisez les petits caractères (voir aussi la version publiée: nphys3272 ). En gros, le problème est que les algorithmes quantiques gèrent généralement les "données" stockées dans des états quantiques, encodant souvent des vecteurs dans les amplitudes de l'état. C'est par exemple le cas pour le QFT , et c'est toujours le cas pour HHL09 et les travaux dérivés.
Le gros problème (ou l'un des gros problèmes) avec cela est qu'il est loin d'être évident de savoir comment charger efficacement les "grandes" données classiques dans cet état quantique pour le traitement. La réponse typique à cela est "nous n'avons qu'à utiliser une qRAM ", mais cela s'accompagne également de nombreuses mises en garde, car ce processus doit être très rapide pour maintenir l'accélération exponentielle que nous pouvons maintenant atteindre une fois que les données sont en forme quantique. Je me réfère à nouveau au document d' Aaronson pour plus de détails sur les mises en garde.