An Introduction to Quantum Machine Learning for Engineers
Ezt a monográfiát számos olyan közelmúltbeli fejlemény indokolja, amelyek a mérnöki profilú kutatók lehetséges új szerepét látszanak meghatározni. Először is, ma már számos olyan szoftverkönyvtár létezik - például az IBM Qiskit, a Google Cirq és a Xanadu PennyLane -, amelyek elérhetőbbé teszik a kvantumalgoritmusok programozását, miközben felhőalapú hozzáférést biztosítanak a tényleges kvantumszámítógépekhez. Másodszor, egy új keretrendszer van kialakulóban a kvantumalgoritmusok programozására, amely a jelenlegi kvantumhardvereken futtatható: a kvantumgépes tanulás.
A jelenlegi zajos, közepes méretű kvantumok (NISQ) korszakában a kvantumgépes tanulás a kapualapú kvantumszámítógépek programozásának domináns paradigmájaként jelenik meg. A kvantumgép-tanulás során egy kvantumáramkör kapuit paraméterezik, és a paramétereket klasszikus optimalizálással hangolják az adatok és az áramkör kimeneteinek mérései alapján. A parametrizált kvantumáramkörök (PQC-k) hatékonyan képesek kombinatorikus optimalizálási problémák megoldására, valószínűségi generatív modellek megvalósítására és következtetések (osztályozás és regresszió) elvégzésére.
Ez a monográfia önálló bevezetést nyújt a kvantummechanikai tanulásba a valószínűségszámításban és lineáris algebrában jártas mérnökök számára. Először a kvantumműveletek és -mérések leírásához szükséges hátteret, fogalmakat és eszközöket ismerteti. Ezután kitér a paraméterezett kvantumáramkörökre, a variációs kvantum eigensolverre, valamint a felügyelet nélküli és felügyelt kvantumgépes tanulás formuláira.
