Quantum Machine Learning: 4 Flavors

dequantization ने चोट क्यों पहुँचाई? क्योंकि Kerenidis–Prakash recommendation algorithm एक flagship था: एक genuinely practical problem के लिए exponential speedup, HHL वाली ही linear-algebra machinery पर बना। Tang की insight थी कि speedup के fine print — यह assumption कि data एक special quantum-friendly format में आता है — को classically एक analogous classical data structure (sampling access) से match किया जा सकता है। एक बार जब उन्होंने दिखा दिया कि comparable assumptions के तहत classical algorithm को वही advantage मिलता है, तो "exponential speedup" polynomial में evaporate हो गया। reality check: quantum ML speedup claim को अपना input model specify करना होगा, वरना यह quantum athlete की तुलना tied shoes वाले classical athlete से करने जैसा है।

loading bottleneck को उसका पूरा weight मिलना चाहिए, क्योंकि यह पूरे CQ program का central caveat है। HHL \(Ax = b\) को \(O(\log n)\) time में solve करता है — लेकिन सिर्फ तब जब vector \(b\) पहले से quantum state \(|b\rangle\) के रूप में loaded हो, और सिर्फ तब जब आप answer के रूप में quantum state \(|x\rangle\) से संतुष्ट हों, न कि सारे \(n\) classical numbers से। classical data से \(|b\rangle\) तैयार करना generally \(O(n)\) cost करता है; \(x\) को पूरा बाहर पढ़ना भी \(O(n)\) cost करता है। तो exponential speedup सिर्फ उन problems में बचता है जहाँ input सस्ते में prepare हो और आपको answer की कोई global property चाहिए हो — expectation value, पूरा vector नहीं।

quantum RAM (QRAM) theoretical escape hatch है: एक device जो classical data को \(O(\log n)\) time में superposition में load कर दे। लेकिन कोई QRAM exist नहीं करता, और एक बनाना एक enormous routing network में coherence maintain करने जैसा है — arguably उतना ही मुश्किल जितना खुद quantum computer बनाना, ऊपर से error-correction overhead। ज़्यादातर researchers QRAM को "कभी न कभी, शायद" का placeholder मानते हैं, plan नहीं। जब तक input problem solve नहीं होता, CQ algorithms ऐसे speedups हैं जो data pipeline का इंतज़ार कर रहे हैं।

इसीलिए QQ conceptually सबसे clean box है: जब data-generating system खुद quantum हो — collider, quantum sensor network, quantum simulation — तो load करने को कुछ है ही नहीं। state, state के रूप में आती है। ML principles (पिछले lesson से function approximation plus optimization) unchanged carry over होते हैं; सिर्फ substrate बदलता है। field का bet है कि जैसे-जैसे quantum devices बढ़ेंगे, quantum-native data भी बढ़ेगा — और QQ को विरासत मिलेगी। पूरे 2×2 का ईमानदार summary: physics असली है, speedups conditional हैं, और conditions ही interesting part हैं।