Apprentissage quantique : complexité et modèles prédictifs

Cette séance de cours traite de la complexité et de l'apprenabilité des systèmes quantiques complexes, en se concentrant sur les technologies quantiques émergentes et leurs implications pour l'informatique. L'instructeur présente la théorie quantique comme une généralisation de la théorie des probabilités, introduisant des concepts tels que les qubits et leur représentation. La séance de cours met en évidence les défis posés par le bruit dans les circuits quantiques et explore les questions directrices concernant les avantages quantiques dans l'apprentissage et la prédiction d'autres systèmes quantiques. Une approche holistique est soulignée, en utilisant des mathématiques rigoureuses, des chiffres et des conceptions expérimentales. La discussion comprend une carte pour l'apprentissage quantique, soulignant trois frontières: la prédiction des observables, la récupération des hamiltoniens et la prise en compte du caractère aléatoire dans les expériences de suprématie quantique. L'instructeur couvre également l'apprentissage des modèles Ising et l'application des méthodes quantiques Monte Carlo pour relier l'apprentissage classique et quantique. La séance de cours se termine par des objectifs à long terme visant à développer des outils pratiques pour prédire les propriétés des états quantiques et relever les défis de l'apprentissage à partir d'expériences bruyantes de suprématie quantique.