Дослідження можливостей квантового програмування для реалізації задач машинного навчання

Abstract

Традиційно квантові обчислення визначаються як тип некласичних обчислень, що використовує квантові стани субатомних частинок, які представляють дані у квантових бітах (кубітах). До зчитування даних з кубіту він зберігає усі можливі значення одночасно в стані суперпозиції. Кубіти можуть бути пов’язані один з одним властивістю заплутаності. Квантові алгоритми маніпулюють пов’язаними кубітами в їх невизначеному (заплутаному стані), потенційно надаючи можливість розв’язувати задачі з величезною комбінаторною складністю, досягнувши «квантового панування». На поточний момент обчислювальні пристрої, здатні виконувати квантові обчислення (квантові комп’ютери), для споживачі обчислювальних послуг доступні за моделлю QCaaS (quantum computing as a service – квантові обчислення як послуга). Станом на червень 2020 року максимальна кількість кубітів, доступних для одночасного використання, не перевищує 60, що суттєво менше за кількість, необхідну для досягнення «квантового панування». Це породжує проблему дослідження можливостей квантового програмування для реалізації задач машинного навчання, а саме – застосування алгоритмів машинного навчання, реалізованих мовою квантового програмування, для аналізу традиційних даних, та порівняння продуктивності квантових і фон- немайновських реалізацій на сучасному етапі їх розвитку. Мета дослідження – виконати порівняльний аналіз реалізації алгоритмів квантово покращеного машинного навчання, реалізованих мовою квантового програмування. Для досягнення мети дослідження були поставлені такі завдання: 1. Проаналізувати засоби інженерії квантового програмного забезпечення з метою вибору засобу, доцільного для реалізації задач машинного навчання. 2. Розглянути квантово покращені алгоритми машинного навчання. 3. Виконати порівняльний аналіз ефективності квантово покращених і традиційних алгоритмів машинного навчання. Об’єкт дослідження – інженерія квантового програмного забезпечення. Предмет дослідження – алгоритми машинного навчання, реалізовані мовами квантового програмування. Методи дослідження: аналіз джерел та програмного забезпечення з метою визначення стану розв’язання проблеми дослідження та добору засобів реалізації алгоритмів квантово покращеного машинного навчання, методи інженерії квантового програмного забезпечення (проектування, розробка, тестування) для досягнення мети дослідження. Практичне значення одержаних результатів полягає у порівняльному аналізі ефективності квантово покращених і традиційних алгоритмів машинного навчання на платформі IBM Q Experience.