Il Quantum Machine Learning (QML) è uno dei campi più discussi e controversi del quantum computing. Promette di accelerare l'addestramento di modelli e di trovare pattern impossibili da rilevare classicamente, ma i risultati concreti sono ancora limitati.
Le promesse
Algoritmi come HHL potrebbero accelerare operazioni di algebra lineare alla base di molti modelli ML. I kernel quantistici potrebbero catturare correlazioni nei dati inaccessibili ai metodi classici. Variational Quantum Eigensolvers (VQE) potrebbero ottimizzare funzioni complesse.
Le sfide
Il caricamento dei dati classici su un computer quantistico è un collo di bottiglia significativo (input problem). Molti vantaggi teorici svaniscono quando si considerano i dettagli pratici. Alcuni paper recenti hanno dimostrato che metodi classici possono eguagliare molti algoritmi QML proposti.
Applicazioni promettenti
Dove il QML potrebbe davvero brillare: dati intrinsecamente quantistici (chimica, materiali), problemi di ottimizzazione combinatoria, generazione di distribuzioni complesse. Per dati classici tradizionali (immagini, testo), il vantaggio è meno chiaro.
