Red neuronal cuántica
[4] La investigación en torno a las redes neuronales cuánticas está dando sus primeros pasos, pero existe un alto número de propuestas con enfoques y rigor matemático muy dispares.
El aprendizaje automático con una red neuronal (cuántica) consta de las siguientes etapas (para más detalle, ver Red neuronal artificial): Existen diferentes propuestas para aplicar la mecánica cuántica en cada una de estas etapas, de manera que se pueden tener redes híbridas en las que algunas etapas son clásicas y otras son cuánticas.
[14] M. Schuld, I. Sinayskiy, F. Petruccione establecieron tres requisitos para que una red neuronal cuántica pueda ser considerada como tal:[3] Y. Cao, G.G.
Para ello, se aplican rotaciones controladas por los cúbits pertenecientes a las neuronas de la capa anterior y cuyos ángulos son los pesos correspondientes para la combinación lineal.
Para poder aplicar la rotación equivalente a la función de activación, esta rotación se aproxima por una clase de circuitos denominados Repetir Hasta el Éxito o RHE (RUS: Repeat Until Success en inglés).
Estos circuitos utilizan cúbits auxiliares y les aplican medidas de tal forma que existe una probabilidad de que, tras medir, se haya aplicado la rotación correctamente.
Las redes neuronales construidas con estas neuronas han demostrado ser eficaces para problemas de clasificación y memoria asociativa.
Por otra parte Ricks y Ventura propusieron un algoritmo cuántico para realizar la optimización, que puede obtener ventajas sobre el entrenamiento clásico.
Un ejemplo de red neuronal híbrida es aquel que tiene neuronas cuánticas pero realiza el entrenamiento clásicamente.
Sin embargo, la supremacía cuántica solo se da en determinadas condiciones, como por ejemplo tener un tipo datos de entrada concretos.
[20] El algoritmo de memoria cuántica asociativa ha sido introducido por Dan Ventura y Tony Martinez en 1999.
