Jaki jest cel kwantowej pamięci RAM w algorytmach kwantowych?

Widzę wiele prac (np. Kwantowa analiza głównych składników ), w których istnienie qRAM jest konieczne. Jaki jest rzeczywisty cel qRAM w algorytmach kwantowych?

Jest to omówione w rozdziale 5 Ciliberto i in. .

Celem większości kwantowych (ulepszonych) algorytmów uczenia maszynowego jest przyspieszenie przetwarzania klasycznych danych w stosunku do tego, co jest możliwe w przypadku klasycznych algorytmów uczenia maszynowego. Innymi słowy, kontekst polega na tym, że masz zestaw klasycznych wektorów $\{\boldsymbol x_k\}_k$ , i chcesz obliczyć jakąś funkcję tych danych (która może być następnie użyta jako estymator niektórych lub jako funkcja charakteryzująca klasyfikator, który ma być używany dla nowych punktów danych lub czegoś innego). Większość kwantowych algorytmów uczenia maszynowego mówi ci to, pod warunkiem, że jesteś w stanie skutecznie wykonać mapowanie $\boldsymbol f(\boldsymbol x_k)$

$$\{\boldsymbol x_k\}_k\mapsto\lvert \{\boldsymbol x_k\}\rangle= N\sum_{kj} x_{kj}\lvert k,j\rangle,$$ wtedy czasami można obliczyć wydajniej. Jednak bardzo nietrudne jest efektywne wykonywanie takiego mapowania .$\boldsymbol f(\{\boldsymbol x_k\})$

Aby utrzymać potencjalne przyspieszenie wykładnicze algorytmów kwantowych, konwersja ta musi być wydajna. Jeśli tak nie jest, to kończy się sytuacja, w której algorytm kwantowy może bardzo skutecznie rozwiązać problem, ale dopiero po długim przetwarzaniu danych, co zabija cały sens korzystania z algorytmu kwantowego.

To tutaj wchodzą w grę QRAMy. QRAM jest urządzenie, które może (teoretycznie) kodują wymiarową klasycznych wektorów do (amplitudy) Państwo kwantową qubity w czasie . Jak omówiono w Ciliberto i in. , podobnie jak w tej pokrewnej odpowiedzi , faktyczna wykonalność QRAM-ów nadal nie jest całkowicie jasna i nadal istnieje wiele zastrzeżeń.$N$ $d$$\log(Nd)$$\mathcal O(\log(Nd))$