Pembelajaran mesin kuantum: dari fisika ke rekayasa perangkat lunak

Pembelajaran mesin kuantum (QML) adalah bidang yang berkembang pesat di persimpangan teknologi kuantum dan kecerdasan artifisial. Tinjauan ini menyajikan gambaran dua arah atas sejumlah pendekatan kunci yang dapat menawarkan kemajuan baik dalam pengembangan teknologi kuantum maupun dalam kekuatan kecerdasan artifisial. Para penulis bertujuan menunjukkan bagaimana konsep dalam fisika dapat diterjemahkan menjadi rekayasa praktis solusi pembelajaran mesin menggunakan perangkat lunak kuantum.

Tinjauan ini mencakup berbagai pendekatan, termasuk algoritma yang diperkaya kuantum yang menerapkan rekayasa perangkat lunak kuantum pada pemrosesan informasi klasik untuk meningkatkan solusi pembelajaran mesin yang utama. Tinjauan ini menelaah jaringan saraf hibrida kuantum-klasik untuk memperbaiki generalisasi model dan meningkatkan akurasi sekaligus mengurangi sumber daya komputasi. Selain itu, dibahas bagaimana pembelajaran mesin dapat digunakan untuk memitigasi galat pada perangkat kuantum berskala menengah yang berderau (NISQ) dan untuk memahami keunggulan kuantum melalui studi otomatis atas proses jalan kuantum pada graf. Tinjauan ini juga menelaah bagaimana perangkat keras kuantum dapat ditingkatkan dengan menerapkan pembelajaran mesin pada masalah fisika dasar dan terapan, tomografi kuantum, dan fotonika.