Συγκέντρωση παραδειγμάτων για κβαντικό υπολογισμό και τεχνητή νοημοσύνη.
1. Τα νευρωνικά δίκτυα μπορούν να περιγράψουν κβαντικές καταστάσεις. Το 2017 οι Carleo και Troyer δημοσίευσαν στο Science ότι ένα απλό νευρωνικό δίκτυο μπορεί να αναπαραστήσει τις κυματοσυναρτήσεις πολλών κβαντικών σωματιδίων. Αυτό έχει βοηθήσει στη μελέτη κβαντικών συστημάτων που είναι πολύ δύσκολο να υπολογιστούν με κλασικές μεθόδους.
2. Η ΤΝ βοηθά στη διόρθωση σφαλμάτων των qubits. Το 2024 η DeepMind παρουσίασε το AlphaQubit, έναν αποκωδικοποιητή βασισμένο σε νευρωνικό δίκτυο, που ανιχνεύει και διορθώνει σφάλματα σε κβαντικό υπολογιστή επιφανείας κώδικα. Η διόρθωση σφαλμάτων είναι από τα μεγαλύτερα εμπόδια για πρακτικούς κβαντικούς υπολογιστές.
3. Ο αλγόριθμος που "ξεγέλασε" τους κβαντικούς. Το 2018 η Ewin Tang, ακόμη μαθήτρια, έδειξε ότι ένας κλασικός αλγόριθμος μπορεί να φτάσει σχεδόν την ταχύτητα του κβαντικού αλγορίθμου για συστήματα συστάσεων (recommendation systems). Αυτό έγινε γνωστό ως “dequantization” και έκανε πολλούς ερευνητές να αμφισβητήσουν τα υποτιθέμενα κβαντικά πλεονεκτήματα στη μηχανική μάθηση.
4. Το κβαντικό πλεονέκτημα για ΤΝ είναι ακόμη αμφιλεγόμενο. Πολλές προτάσεις, όπως οι κβαντικές μηχανές Boltzmann ή τα κβαντικά νευρωνικά δίκτυα, δείχνουν θεωρητικά πλεονεκτήματα, αλλά συχνά βασίζονται σε υποθέσεις για τη φόρτωση δεδομένων. Η φόρτωση ενός μεγάλου όγκου κλασικών δεδομένων σε κβαντική κατάσταση μπορεί να αναιρέσει την επιτάχυνση.
5. Ο υπολογισμός για τους ίδιους τους κβαντικούς υπολογιστές. Η ΤΝ χρησιμοποιείται για τη βελτιστοποίηση παλμών ελέγχου qubits και για το σχεδιασμό πειραμάτων. Το 2016 η ομάδα του Mario Krenn στο Max Planck Institute για την Ερευνα του Φωτός (Erlangen) παρουσίασε αλγόριθμο που σχεδίασε νέες κβαντικές πειραματικές διατάξεις, μερικές από τις οποίες δεν θα είχε σκεφτεί ένας άνθρωπος ερευνητής.