Quantum learning models bridge computing and machine intelligence

Una revisión integral publicada en la revista Artificial Intelligence Survey analiza si la computación cuántica podría ayudar a entrenar modelos de aprendizaje automático cada vez más grandes, cuyo costo computacional crece a un ritmo potencialmente insostenible. El trabajo, liderado por Fan Fan y Xiao Xiang Zhu en la Technical University of Munich, sintetiza avances en aprendizaje automático cuántico (QML) con un enfoque técnico en modelos basados en circuitos cuánticos. La revisión explica cómo los qubits pueden explotar superposición, entrelazamiento e interferencia. También organiza el campo en dos familias: aprendizaje con kernels, donde los datos se codifican en estados cuánticos y la similitud se estima por fidelidad, y kernels proyectados, que extraen información clásica a partir de circuitos.