Ketika Kuantum Bertemu AI: Metode Kuantum untuk Machine Learning dan Metode Machine Learning untuk Sistem Kuantum

Sebuah tesis yang mengeksplorasi kemajuan dua arah antara komputasi kuantum dan kecerdasan artifisial

Tak Hur· 2026· DOI 10.48550/arXiv.2609.25641

Masalah inti

Persinggungan antara komputasi kuantum dan kecerdasan artifisial adalah bidang yang tumbuh pesat dengan potensi untuk meningkatkan kedua domain. Tesis ini, oleh Tak Hur, mengeksplorasi dua arah yang saling melengkapi: metode kuantum untuk machine learning (QML) dan metode machine learning untuk sistem kuantum (ML4QS). Dalam QML, fokusnya adalah mengembangkan algoritma kuantum yang meningkatkan tugas machine learning, terutama di lingkungan yang bising. Dalam ML4QS, tujuannya adalah memanfaatkan machine learning klasik untuk mengatasi tantangan dalam komputasi kuantum, seperti koreksi galat dan estimasi keadaan. Karya ini disatukan oleh tema representasi yang dipelajari, kendali statistik, dan batasan perangkat keras. Tesis ini menyajikan kontribusi baru di setiap arah, yang divalidasi melalui analisis teoretis dan eksperimen pada perangkat keras kuantum dan simulator.

Dalam QML, NQE meningkatkan akurasi klasifikasi pada perangkat keras kuantum yang bising dengan meningkatkan trace distance antara ansambel kelas. Ekstensi DQC1 berhasil didemonstrasikan pada prosesor kuantum NMR, yang menunjukkan kelayakan pendekatan ini pada perangkat near-term. Analisis berbasis margin mengungkapkan bahwa distribusi margin memprediksi generalisasi lebih andal daripada metrik jumlah parameter pada tolok ukur yang diteliti. Untuk ML4QS, dekoder neural berbasis Mamba menyamai kinerja baseline Transformer yang direproduksi dalam eksperimen memori sekaligus mengurangi penskalaan biaya inferensi dari kuartik menjadi kuadratik terhadap jarak kode. Di bawah model derau yang diinduksi dekoder secara eksplisit, dekoder ini mencapai tingkat galat logis yang lebih rendah dan ambang efektif yang lebih tinggi. Untuk neural quantum state, multi-shift SR mengurangi residual validasi lokal checkpoint dan varians pembaruan dibandingkan fixed-shift SR, dengan biaya komputasi tambahan. Hasil-hasil ini menyoroti manfaat representasi yang dipelajari dan kendali statistik adaptif dalam sistem kuantum-AI.

Persinggungan antara komputasi kuantum dan kecerdasan artifisial adalah bidang yang tumbuh pesat dengan potensi untuk meningkatkan kedua domain. Tesis ini, oleh Tak Hur, mengeksplorasi dua arah yang saling melengkapi: metode kuantum untuk machine learning (QML) dan metode machine learning untuk sistem kuantum (ML4QS). Dalam QML, fokusnya adalah mengembangkan algoritma kuantum yang meningkatkan tugas machine learning, terutama di lingkungan yang bising. Dalam ML4QS, tujuannya adalah memanfaatkan machine learning klasik untuk mengatasi tantangan dalam komputasi kuantum, seperti koreksi galat dan estimasi keadaan. Karya ini disatukan oleh tema representasi yang dipelajari, kendali statistik, dan batasan perangkat keras. Tesis ini menyajikan kontribusi baru di setiap arah, yang divalidasi melalui analisis teoretis dan eksperimen pada perangkat keras kuantum dan simulator.

Tesis ini menggunakan kombinasi derivasi teoretis, perancangan algoritma, dan validasi empiris. Untuk QML, Neural Quantum Embedding (NQE) diusulkan untuk mempelajari representasi data yang memaksimalkan trace distance antara ansambel kelas yang di-embed. Hal ini diformalkan dengan meminimalkan batas yang bergantung pada embedding atas risiko empiris. Pendekatan ini diperluas ke deterministic quantum computation with one qubit (DQC1) menggunakan tujuan pelatihan berbasis inner product Hilbert-Schmidt, dan didemonstrasikan pada prosesor kuantum NMR. Analisis generalisasi berbasis margin menghubungkan kinerja quantum neural network dengan diskriminasi keadaan kuantum. Untuk ML4QS, dekoder neural berbasis Mamba untuk surface code dikembangkan dan dibandingkan dengan baseline Transformer. Penskalaan biaya inferensi dekoder dianalisis, dan kinerjanya di bawah derau yang diinduksi dekoder dievaluasi. Selain itu, stochastic reconfiguration (SR) untuk neural quantum state ditafsirkan ulang sebagai ridge regression ruang singgung, yang menghasilkan varian multi-shift SR yang menyeimbangkan bias dan varians. Metodologi ini mengintegrasikan teori informasi kuantum, teori pembelajaran statistik, dan arsitektur deep learning.

Temuan ini menunjukkan bahwa representasi yang dipelajari dapat secara signifikan meningkatkan quantum machine learning, terutama di lingkungan yang bising tempat metode tradisional kesulitan. Analisis generalisasi berbasis margin memberikan perspektif baru tentang mengapa quantum neural network dapat menggeneralisasi, yang menghubungkan kinerja dengan diskriminasi keadaan kuantum. Penskalaan dan tingkat galat dekoder berbasis Mamba yang lebih baik menunjukkan bahwa machine learning klasik dapat secara efektif mengatasi tantangan koreksi galat kuantum, yang berpotensi memungkinkan komputasi kuantum yang lebih skalabel. Penafsiran ulang SR sebagai ridge regression ruang singgung menawarkan cara berprinsip untuk mengendalikan trade-off bias-varians dalam algoritma kuantum variasional, dengan multi-shift SR memberikan peningkatan yang praktis. Namun, biaya komputasi tambahan dari multi-shift SR dan kebutuhan validasi lebih lanjut pada sistem kuantum yang lebih besar tetap menjadi tantangan terbuka. Secara keseluruhan, tesis ini menegaskan pentingnya kendali statistik dan batasan perangkat keras dalam membentuk pertukaran antara komputasi kuantum dan machine learning.

Praktisi dan peneliti ilmu komputer

Membuka konten member…