Aprendizaje Automático Cuántico

Resultado esperado:

• Integración de la computación cuántica en las tuberías de preprocesamiento de datos y flujos de trabajo de aprendizaje para tareas intensivas en datos o computacionalmente intensivas, demostrando mejoras claras en la velocidad de procesamiento, complejidad computacional, precisión de modelado y requisitos de muestra reducidos a escalas alcanzables con dispositivos de la era NISQ.
• Modelos y algoritmos de Aprendizaje Automático Cuántico (QML) fiables y escalables, integrados con los marcos y tuberías de IA existentes, lo que permite un procesamiento de datos más rápido, una mayor precisión de predicción y capacidades computacionales mejoradas.
• Métodos de IA mejorados cuánticamente validados que demuestran mejoras medibles sobre las líneas de base clásicas en términos de velocidad, precisión, eficiencia de datos, complejidad o escalabilidad, respaldados por rigurosas pruebas comparativas y análisis de complejidad.
• Técnicas de QML robustas y conscientes del ruido adecuadas para hardware NISQ, incluidas estrategias de mitigación de errores y adaptaciones algorítmicas que mejoran la fiabilidad, el rendimiento y la reproducibilidad en procesadores cuánticos reales.
• Demostradores o aplicaciones de prueba de concepto que muestren la relevancia del QML para desafíos del mundo real (por ejemplo, modelado climático y ambiental, observación de la Tierra, atención médica y ciencias de la vida, descubrimiento de materiales, finanzas, robótica, fabricación y ciberseguridad).
• Fortalecimiento del liderazgo europeo y la soberanía tecnológica en computación cuántica e IA confiable, apoyado por la colaboración intersectorial, la transferencia de conocimientos y las contribuciones a los estándares, puntos de referencia y mejores prácticas emergentes.
• Colaboración mejorada en computación cuántica, aprendizaje automático y dominios de aplicación, fomentando una comunidad europea coordinada de investigación e innovación en QML.

Alcance:

Se espera que las propuestas aborden múltiples direcciones clave de investigación en Aprendizaje Automático Cuántico (QML), apuntando tanto a la excelencia científica como a la relevancia industrial. Las propuestas deben describir claramente cómo contribuir al desarrollo, validación y demostración de enfoques de IA mejorados cuánticamente, con vías claras hacia aplicaciones prácticas. El trabajo propuesto debe fortalecer las capacidades científicas y tecnológicas de Europa en computación cuántica y acelerar la adopción industrial de soluciones de IA mejoradas cuánticamente.

Las actividades pueden incluir, entre otras:

• diseño y análisis de algoritmos QML cuánticos, de inspiración cuántica o híbridos,
• modelado de rendimiento, análisis de complejidad y evaluación comparativa de métodos de IA mejorados cuánticamente,
• desarrollo de estrategias de mitigación de errores y conscientes del ruido adaptadas a las cargas de trabajo de QML.

Las propuestas deben avanzar en algoritmos QML escalables capaces de abordar problemas computacionalmente intensivos a gran escala, esto incluye enfoques que:

• pueden gestionar volúmenes masivos de datos y tareas computacionales complejas,
• permiten un procesamiento de datos más rápido y un rendimiento predictivo mejorado en dominios de aplicación relevantes (por ejemplo, investigación hidrológica, modelado climático, clasificación de terrenos a partir de teledetección satelital, descubrimiento de fármacos y diagnóstico médico basado en imágenes).

Muchos métodos actuales de QML siguen inspirándose de cerca en algoritmos clásicos y, por lo tanto, aún no logran una verdadera ventaja cuántica, lo que requiere un mayor desarrollo en:

• modelos de aprendizaje nativos cuánticos,
• kernels cuánticos eficientes y mapeos de características cuánticas,
• algoritmos que demuestren ventajas probables o empíricas sobre los enfoques clásicos.

Las propuestas también pueden incluir análisis formales de complejidad, identificación de clases de problemas que pueden beneficiarse de la aceleración cuántica.

Los desarrollos deben abordar varias de las siguientes direcciones clave de investigación...