Κβαντικά νευρωνικά δίκτυα για εφαρμογές στο εγγύς μέλλον = Quantum neural networks focused on near-term applications

Περίληψη

Η Μηχανική Μάθηση και η Κβαντική Υπολογιστική αναγνωρίζονται ως οι κορυφαίες τεχνολογικές εξελίξεις του 21ου αιώνα. Και οι δύο τομείς πέτυχαν τεράστιες εξελίξεις την τελευταία δεκαετία, με αποτέλεσμα πολύ ελπιδοφόρες υλοποιήσεις για την πρόοδο της σύγχρονης κοινωνίας. Ως αποτέλεσμα της επιτυχίας και της προόδου τους, η Κβαντική Μηχανική Μάθηση, ένας τομέας που αναπτύχθηκε πρόσφατα και περιλαμβάνει τον συνδυασμό μηχανικής μάθησης και τεχνικών κβαντικής υπολογιστικής, συναντά ένα εκρηκτικό ερευνητικό ενδιαφέρον τα τελευταία χρόνια. Παρόλο που ο τομέας είναι πολύ νέος και ως εκ τούτου ασαφής και ανώριμος σε σχέση με τους γεννήτορες κλάδους του, αναπτύσσονται ποικίλες ενδιαφέρουσες προτάσεις και προσεγγίσεις. Η παρούσα διατριβή αποτελεί μια προσπάθεια να προσδιοριστεί ο τομέας της κβαντικής μηχανικής μάθησης και τα διάφορα συστήματα εντός του πεδίου καθώς επίσης να οργανωθεί και να συνοψιστεί η υπάρχουσα βιβλιογραφία στην κβαντική μηχανική μάθηση με έμφαση στην επίβλεψη μάθησης και να ακολουθηθούν οι πιο πρόσφατες εξελίξεις. Αυτή η προσπάθεια επικεντρώνεται ιδιαίτερα στα Κβαντικά Νευρωνικά Δίκτυα που προτείνονται στο σχήμα των Παραμετρικοποιημένων Κβαντικών Κυκλωμάτων που έχουν εκπαιδευτεί με υβριδικές μεθόδους. Αυτή η επιλογή έρχεται ακολουθώντας τον βασικό άξονα της παρούσας διατριβής να επικεντρωθεί στις προοπτικές των βραχυπρόθεσμων εφαρμοσμένων κβαντικών αλγορίθμων για την Μηχανική Μάθηση. Αρκετά πλαίσια κβαντικού Νευρωνικού Δικτύου που εμφανίζονται σε εξέχουσες εφαρμογές παρουσιάζονται και συζητούνται σε μια προσπάθεια να αποκαλυφθεί η γενική εικόνα των αναμενόμενων κβαντικών βελτιώσεων που επιφέρει η κβαντική μηχανική μάθηση  καθώς και οι προειδοποιήσεις που αυτά τα πλαίσια φέρνουν και τα εμπόδια που πρέπει να υπερνικήσει ο τομέας προκειμένου να επιδείξει τις πρώτες πολυαναμενόμενες εφαρμογές του στο πρόσφατο μέλλον.

Machine Learning and Quantum computing are acknowledged to be among the state-of the-art technological developments of the 21st century. Both domains achieved huge advancements in the last decade, demonstrating very promising implementations for the progress of modern society. As a result of their success and progress, Quantum Machine Learning, a newly developed domain which comprise the combination of Machine Learning and Quantum Computing techniques, meets an explosive research interest in the recent years. Although the field is very young and thus fuzzy and immature compared to its parent fields, there is a variety of interesting proposals and approaches developed. This thesis consists an effort to define the domain of Quantum Machine Learning and identify the several schemes within the field as well as organize and summarize the existing literature in Quantum Machine Learning, with a focus on supervised learning, and follow the most recent developments. This effort particularly focuses on Quantum Neural Networks proposed in the scheme of Variational Quantum Circuits trained with hybrid methods. This choice follows the general spectrum of this thesis to concentrate on prospects of near-term applicable quantum algorithms for Machine Learning. Several Quantum Neural Network frameworks that appear prominent for near-term applications are presented and discussed in an effort to reveal the general picture of expected quantum enhancements brought by Quantum Machine Learning as well as the caveats these frameworks carry and the obstacles the domain has to overcome in order to demonstrate its first much-expected applications in the recent future.