Lihat sumber Pemelajaran mesin kuantum

[[File:Qml_approaches.tif|thumb|right|280px|Qml approaches]]

'''Pemelajaran mesin kuantum''' ([[bahasa Inggris]]: ''quantum machine learning'') adalah integrasi antara [[algoritma kuantum]] dan program [[pemelajaran mesin]].<ref>Dan Ventura. [https://archive.org/details/sim_information-sciences_2000-05_124_1-4/page/273 Quantum Associative Memory]. ''Information Sciences''. 2000. Vol. 124 (1–4). hlm. 273–296. doi:10.1016/S0020-0255(99)00101-2.</ref><ref>Carlo A. Trugenberger. ''Probabilistic Quantum Memories''. ''Physical Review Letters''. 2001. Vol. 87 (6). hlm. 067901. doi:10.1103/PhysRevLett.87.067901.</ref><ref>Carlo A. Trugenberger. ''Quantum Pattern Recognition''. ''Quantum Information Processing''. 2002. Vol. 1 (6). hlm. 471–493. doi:10.1023/A:1024022632303.</ref><ref>C. A. Trugenberger. [http://dx.doi.org/10.1103/physrevlett.89.277903 Phase Transitions in Quantum Pattern Recognition]. ''Physical Review Letters''. 2002-12-19. Vol. 89 (27). hlm. 277903. doi:10.1103/physrevlett.89.277903.</ref><ref>Jacob Biamonte. [https://archive.org/details/nature-uk_2017-09-14_549_7671/page/195 Quantum machine learning]. ''Nature''. 2017. Vol. 549 (7671). hlm. 195–202. doi:10.1038/nature23474.</ref><ref>Maria Schuld. ''Supervised Learning with Quantum Computers''. 2018. doi:10.1007/978-3-319-96424-9. ISBN 978-3-319-96423-2.</ref><ref>Maria Schuld. ''An introduction to quantum machine learning''. ''Contemporary Physics''. 2014. Vol. 56 (2). hlm. 172–185. doi:10.1080/00107514.2014.964942.</ref><ref>Peter Wittek. [http://www.sciencedirect.com/science/book/9780128009536 Quantum Machine Learning: What Quantum Computing Means to Data Mining]. Academic Press. 2014. ISBN 978-0-12-800953-6.</ref>

Penggunaan istilah yang paling umum merujuk pada penerapan algoritma pemelajaran mesin untuk analisis data klasik yang dikerjakan di [[komputer kuantum]], artinya pemelajaran mesin kuantum adalah pemelajaran mesin yang disempurnakan secara kuantum.<ref>Nathan Wiebe. ''Quantum Algorithms for Nearest-Neighbor Methods for Supervised and Unsupervised Learning''. ''Quantum Information & Computation''. 2014. Vol. 15 (3). hlm. 0318–0358.</ref><ref>Seth Lloyd. ''Quantum algorithms for supervised and unsupervised machine learning''. 2013.</ref><ref>Seokwon Yoo. ''A quantum speedup in machine learning: Finding a N-bit Boolean function for a classification''. ''New Journal of Physics''. 2014. Vol. 16 (10). hlm. 103014. doi:10.1088/1367-2630/16/10/103014.</ref> Di sisi algoritma pemelajaran mesin digunakan untuk menghitung data dalam jumlah yang sangat besar, pemelajaran mesin kuantum menggunakan [[qubit]]. Operasi atau sistem kuantum khusus ini diharapkan dapat meningkatkan kecepatan komputasi dan penyimpanan data yang dilakukan oleh algoritma dalam sebuah program.<ref>Maria Schuld. ''An introduction to quantum machine learning''. ''Contemporary Physics''. 2014-10-15. Vol. 56 (2). hlm. 172–185. doi:10.1080/00107514.2014.964942.</ref> Pemelajaran mesin kuantum termasuk juga di dalamnya metode hibrida yang melibatkan pemrosesan klasik dan kuantum, yaitu subrutin (''subroutine'') yang sulit secara komputasi jika dilakukan secara tradisional sehingga dialihkan ke perangkat kuantum.<ref>Marcello Benedetti. ''Quantum-Assisted Learning of Hardware-Embedded Probabilistic Graphical Models''. ''Physical Review X''. 2017-11-30. Vol. 7 (4). hlm. 041052. doi:10.1103/PhysRevX.7.041052.</ref><ref>Edward Farhi. ''Classification with Quantum Neural Networks on Near Term Processors''. 2018-02-16.</ref><ref>Maria Schuld. ''Circuit-centric quantum classifiers''. ''Physical Review A''. 2020. Vol. 101 (3). hlm. 032308. doi:10.1103/PhysRevA.101.032308.</ref> ''Subroutine'' mungkin melibatkan proses atau komputasi yang lebih rumit, mungkin sulit diimplementasikan atau dihitung dengan metode klasik saja. Pemanfaatan komputer kuantum dalam hal ini diharapkan dapat meningkatkan efisiensi dalam menangani tugas-tugas yang kompleks tersebut.<ref>Maria Schuld. ''An introduction to quantum machine learning''. ''Contemporary Physics''. 2014. Vol. 56 (2). hlm. 172–185. doi:10.1080/00107514.2014.964942.</ref> Selain itu, algoritma kuantum dapat digunakan untuk menganalisis [[keadaan kuantum]] alih-alih data klasik.<ref>Shang Yu. ''Reconstruction of a Photonic Qubit State with Quantum Reinforcement Learning''. ''Advanced Quantum Technologies''. 2018-08-28. Vol. 2 (7–8). hlm. 1800074. doi:10.1002/qute.201800074.</ref><ref>Sanjib Ghosh. ''Quantum reservoir processing''. ''npj Quantum Information''. 2019. Vol. 5. hlm. 35. doi:10.1038/s41534-019-0149-8.</ref>

Di luar komputasi kuantum, istilah "pemelajaran mesin kuantum" juga dikaitkan dengan metode pemelajaran mesin klasik yang diterapkan pada data yang dihasilkan dari eksperimen kuantum (yaitu [[Pemelajaran mesin dalam fisika|pemelajaran mesin sistem kuantum]]), seperti pemelajaran transisi fasa dari sistem kuantum <ref>Peter Broecker. ''Quantum phase recognition via unsupervised machine learning''. 2017-07-03.</ref><ref>Patrick Huembeli. ''Identifying Quantum Phase Transitions with Adversarial Neural Networks''. ''Physical Review B''. 2018. Vol. 97 (13). hlm. 134109. doi:10.1103/PhysRevB.97.134109.</ref> atau membuat eksperimen kuantum yang baru.<ref>Mario Krenn. ''Automated Search for new Quantum Experiments''. ''Physical Review Letters''. 2016-01-01. Vol. 116 (9). hlm. 090405. doi:10.1103/PhysRevLett.116.090405.</ref><ref>Paul Knott. ''A search algorithm for quantum state engineering and metrology''. ''New Journal of Physics''. 2016-03-22. Vol. 18 (7). hlm. 073033. doi:10.1088/1367-2630/18/7/073033.</ref><ref>Vedran Dunjko. ''Machine learning & artificial intelligence in the quantum domain: a review of recent progress''. ''Reports on Progress in Physics''. 2018-06-19. Vol. 81 (7). hlm. 074001. doi:10.1088/1361-6633/aab406.</ref>

Pemelajaran mesin kuantum juga meluas ke cabang penelitian yang mengeksplorasi kesamaan metodologis dan struktural antara sistem fisik tertentu dan sistem pemelajaran, khususnya jaringan saraf. Sebagai contoh, beberapa metode matematika dan numerik dari fisika kuantum dapat diterapkan pada pemelajaran dalam klasik dan sebaliknya.<ref>William Huggins. ''Towards Quantum Machine Learning with Tensor Networks''. ''Quantum Science and Technology''. 2018-03-30. Vol. 4 (2). hlm. 024001. doi:10.1088/2058-9565/aaea94.</ref><ref>Giuseppe Carleo. ''Constructing exact representations of quantum many-body systems with deep neural networks''. ''Nature Communications''. 2018-02-26. Vol. 9 (1). hlm. 5322. doi:10.1038/s41467-018-07520-3.</ref><ref>Cédric Bény. ''Deep learning and the renormalization group''. 2013-01-14.</ref>

Hubungan lebih jauh lagi, para ilmuwan menyelidiki gagasan yang lebih abstrak tentang teori pemelajaran dengan informasi kuantum, yang kadang-kadang disebut sebagai "teori pemelajaran kuantum".<ref>Srinivasan Arunachalam. ''A Survey of Quantum Learning Theory''. 2017-01-24.</ref><ref>Giuseppe Sergioli. ''A new Quantum approach to binary classification''. ''PLOS ONE''. 2019-05-09. Vol. 14 (5). hlm. e0216224. doi:10.1371/journal.pone.0216224.</ref>

== Lihat juga ==
*[[Pemrograman terdiferensialkan]]
*[[Komputasi kuantum]]
*[[Algoritma kuantum untuk sistem persamaan linier]]
*[[Quantum annealing]]
*[[Jaringan syaraf kuantum]]
*[[Citra kuantum]]

== Referensi ==
<references />

== Sumber dan atribusi ==

Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Pemelajaran+mesin+kuantum&oldid=29574928 Wikipedia bahasa Indonesia], revisi 29574928 (2026-08-14T04:41:14Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Gambar pada artikel ini bersumber dari Wikimedia Commons dan mengikuti ketentuan lisensi masing-masing berkas. Mohon gunakan konten dan media secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.

<!-- WIKI_UNISSULA_PRESENTATION_V4 -->