quantum machine learning

Angol

Főnév

quantum machine learning (tsz. quantum machine learnings)

(informatika) A quantum machine learning (QML) az a kutatási terület, amely a kvantumszámítás és a gépi tanulás (ML) technikáit ötvözi. A célja, hogy a kvantumszámítógépek erőforrásait kihasználva gyorsabb, hatékonyabb vagy új típusú tanulási algoritmusokat hozzon létre, amelyek klasszikus számítógépeken nem vagy csak nehezen lennének megvalósíthatók.

A QML tehát két hatalmas terület metszéspontjában helyezkedik el:

a kvantumszámítás forradalmian új számolási modell, amely a kvantummechanika törvényeit használja ki (szuperpozíció, összefonódás stb.),
a gépi tanulás pedig az a módszertan, ahol algoritmusokat tanítunk be mintákból történő általánosításra.

Miért érdekes a QML?

A kvantumszámítógépek néhány speciális feladaton elméletileg exponenciális sebességnövekedést tudnak hozni. Ha ilyen gyorsítást lehetne elérni gépi tanulási feladatokon is, az számos területen áttörést hozhatna:

gyorsabb tanulás óriási adatbázisokon,
nagyobb kapacitású modellek,
új típusú reprezentációk és tanulási mechanizmusok.

Ugyanakkor a QML ma még nagyrészt kutatási fázisban van, hiszen a mai kvantumszámítógépek korlátozott méretűek és zajosak.

A QML motivációi

Sok ML algoritmus matematikai műveletekre (lineáris algebra, Fourier-transzformáció, optimalizáció) épül, amelyeknél a kvantumszámítógépek elméletileg gyorsabbak lehetnek.
Kvantumszámítógépeken természetesen kvantummechanikai rendszerek modellezhetők, ami egyes problémákhoz jobban illik.
Lehetőség van új tanulási paradigmákra → például kvantumállapotok közötti tanulás.

A QML fő irányai

A QML területe négy fő irányra bontható:

1️⃣ Kvantumgépi tanulás (quantum-enhanced ML)

Klasszikus gépi tanulási algoritmusokat gyorsítunk fel kvantumszámítógép segítségével.
Példák:
- Kvantum lineáris algebra gyorsítás → kvantum lineáris rendszerek megoldása (Harrow-Hassidim-Lloyd algoritmus, HHL).
- Kvantum-gyorsított SVM (support vector machine).
- Kvantum PCA (principal component analysis).

Cél: sebességnövelés.

2️⃣ Kvantum-adatfeldolgozás

Ha az adatok kvantumállapotokban adottak (pl. kvantumkísérletekből), akkor a tanulási algoritmus is kvantumalgoritmus kell legyen.
Pl.: Kvantumfizikai rendszerek állapotának osztályozása.

3️⃣ Klasszikus ML kvantumszimulációhoz

Klasszikus ML algoritmusok segítségével kvantumszámítógépek viselkedését, zajt stb. modellezzük.
Pl.: Kvantum-hibajavító kódok tervezése, kvantumáramkör optimalizálása.

4️⃣ Kvantumnatív gépi tanulás

Olyan új gépi tanulási algoritmusok, amelyek csak kvantumszámítógépeken működnek.
Kvantumneurális hálók (quantum neural networks, QNN).
Variációs kvantumáramkörök (variational quantum circuits, VQC).

Alapfogalmak

Kvantumszámítógépek alapjai

Qubit: A kvantumszámítás alapegysége, a kvantum-mechanikai megfelelője a klasszikus bitnek. Egy qubit szuperpozícióban lehet: |0⟩ és |1⟩ egyszerre.
Szuperpozíció: Kvantumállapotok kombinációja.
Összefonódás (entanglement): Több qubit állapota nem független → korrelált állapotban vannak.
Kvantumkapuk: Műveletek, amelyek kvantumállapotokat transzformálnak.
Mérések: Kvantumállapot klasszikussá konvertálása → információ kinyerése.

Kvantumelőny (quantum advantage)

Egy algoritmus kvantumszámítógépen gyorsabb vagy hatékonyabb, mint bármely ismert klasszikus algoritmus.

Kvantumos gyorsítás elméleti példái

Kvantum PCA

Klasszikus PCA → O(N³) idő.
Kvantum PCA → log(N) skálázás bizonyos feltételek mellett.

Kvantum SVM

Kvantum lineáris algebra algoritmusok felhasználásával gyorsabb döntési határ megtalálása.

Kvantum lineáris rendszermegoldás (HHL algoritmus)

Klasszikusan O(N³), kvantumon log(N) időben lehetséges bizonyos esetekben.

Kvantumneurális hálók (QNN)

A kvantumneurális háló olyan rendszer, amely:

kvantumáramkörökkel reprezentálja a neurális háló rétegeit,
kvantumállapotokat dolgoz fel,
variációs kvantumáramkörként (VQC) tanul — klasszikus optimalizáló algoritmusokkal (pl. gradient descent).

Variációs kvantumáramkörök

Hibrid megközelítés: kvantum + klasszikus.
Kvantumáramkör parametrizált → klasszikus gép tanítja.
Sok mai QML implementáció ezt az utat járja, mivel a mai kvantumhardver még zajos.

Technikai kihívások

Zajos kvantumáramkörök → az NISQ (Noisy Intermediate-Scale Quantum) korszakban még nem ideálisak a kvantumszámítógépek.
Dekoharencia: Kvantumállapotok gyorsan elvesztik a koherenciájukat → nehéz sok lépést futtatni.
Skálázhatóság: Nagy qubit-számú gépek még nem elérhetők.

Milyen QML algoritmusok léteznek?

Algoritmus	Leírás
HHL	Kvantum lineáris rendszermegoldás
Kvantum PCA	Főkomponens-analízis gyorsítása
Kvantum SVM	Kvantum-alapú Support Vector Machine
Kvantum kNN	Kvantum legközelebbi szomszéd algoritmus
QGAN	Kvantum generatív adversariális hálók
QNN	Kvantumneurális hálók

Szoftveres ökoszisztéma

PennyLane (Xanadu)
Qiskit (IBM)
Cirq (Google)
Braket (AWS)
QuTiP

→ Mindegyik támogat hibrid QML algoritmusokat.

Alkalmazási területek

📈 Pénzügy

Portfólióoptimalizálás.
Pénzügyi idősorok modellezése kvantum-alapú tanulómodellekkel.

🧬 Élettudományok

Kvantumkémia → kvantumgépi tanulás a molekuláris szimulációhoz.
Fehérjestruktúrák predikciója.

🌌 Anyagtudomány

Új anyagok felfedezése kvantumszimulációval.

🛡️ Kriptográfia

Kvantum-algoritmusokkal ellenálló kriptográfiai protokollok fejlesztése.

A jövő perspektívái

Ma a QML inkább kutatási fázisban van:

NISQ-gépek miatt főleg variációs hibrid algoritmusokat használunk.
Nagyméretű kvantumelőny még nem igazolt ML-feladatokon.

Holnap viszont:

Ha nagyobb, hibamentes kvantumszámítógépek elérhetők lesznek, a QML sok ML-területen áttörést hozhat:
- gyorsabb optimalizáció,
- új tanulási algoritmusok,
- kvantumadatok természetes kezelése.

Összefoglalás

A quantum machine learning egy rendkívül ígéretes, de jelenleg még fiatal és kísérleti terület.

Elméleti lehetőségek: bizonyos ML-algoritmusok kvantum-alapú gyorsítása.
Gyakorlati helyzet: jelenleg főleg hibrid variációs megközelítések (QNN, VQC) a legígéretesebbek.
Technikai akadályok: zaj, dekoharencia, skálázhatóság.
Alkalmazások: pénzügy, kémia, anyagtudomány, kriptográfia.

A következő 5–10 év kulcsfontosságú lesz: kiderül, hogy a QML valóban áttörést hoz-e, vagy inkább szűkebb alkalmazási területeken lesz hasznos.

További információk

quantum machine learning - Szótár.net (en-hu)
quantum machine learning - Sztaki (en-hu)
quantum machine learning - Merriam–Webster
quantum machine learning - Cambridge
quantum machine learning - WordNet
quantum machine learning - Яндекс (en-ru)
quantum machine learning - Google (en-hu)
quantum machine learning - Wikidata
quantum machine learning - Wikipédia (angol)