Lompat ke isi

Pemelajaran mesin kuantum

Ensiklopedia Pengetahuan Universitas Islam Sultan Agung
Revisi sejak 23 Agustus 2026 04.20 oleh Maintenance script (bicara | kontrib) (Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi)
(beda) ← Revisi sebelumnya | Revisi terkini (beda) | Revisi selanjutnya → (beda)
Qml approaches

Pemelajaran mesin kuantum (bahasa Inggris: quantum machine learning) adalah integrasi antara algoritma kuantum dan program pemelajaran mesin.[1][2][3][4][5][6][7][8]

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.[9][10][11] 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.[12] 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.[13][14][15] 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.[16] Selain itu, algoritma kuantum dapat digunakan untuk menganalisis keadaan kuantum alih-alih data klasik.[17][18]

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 sistem kuantum), seperti pemelajaran transisi fasa dari sistem kuantum [19][20] atau membuat eksperimen kuantum yang baru.[21][22][23]

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.[24][25][26]

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".[27][28]

Lihat juga

Referensi

  1. ↑ Dan Ventura. Quantum Associative Memory. Information Sciences. 2000. Vol. 124 (1–4). hlm. 273–296. doi:10.1016/S0020-0255(99)00101-2.
  2. ↑ Carlo A. Trugenberger. Probabilistic Quantum Memories. Physical Review Letters. 2001. Vol. 87 (6). hlm. 067901. doi:10.1103/PhysRevLett.87.067901.
  3. ↑ Carlo A. Trugenberger. Quantum Pattern Recognition. Quantum Information Processing. 2002. Vol. 1 (6). hlm. 471–493. doi:10.1023/A:1024022632303.
  4. ↑ C. A. Trugenberger. Phase Transitions in Quantum Pattern Recognition. Physical Review Letters. 2002-12-19. Vol. 89 (27). hlm. 277903. doi:10.1103/physrevlett.89.277903.
  5. ↑ Jacob Biamonte. Quantum machine learning. Nature. 2017. Vol. 549 (7671). hlm. 195–202. doi:10.1038/nature23474.
  6. ↑ Maria Schuld. Supervised Learning with Quantum Computers. 2018. doi:10.1007/978-3-319-96424-9. ISBN 978-3-319-96423-2.
  7. ↑ Maria Schuld. An introduction to quantum machine learning. Contemporary Physics. 2014. Vol. 56 (2). hlm. 172–185. doi:10.1080/00107514.2014.964942.
  8. ↑ Peter Wittek. Quantum Machine Learning: What Quantum Computing Means to Data Mining. Academic Press. 2014. ISBN 978-0-12-800953-6.
  9. ↑ Nathan Wiebe. Quantum Algorithms for Nearest-Neighbor Methods for Supervised and Unsupervised Learning. Quantum Information & Computation. 2014. Vol. 15 (3). hlm. 0318–0358.
  10. ↑ Seth Lloyd. Quantum algorithms for supervised and unsupervised machine learning. 2013.
  11. ↑ 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.
  12. ↑ 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.
  13. ↑ 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.
  14. ↑ Edward Farhi. Classification with Quantum Neural Networks on Near Term Processors. 2018-02-16.
  15. ↑ Maria Schuld. Circuit-centric quantum classifiers. Physical Review A. 2020. Vol. 101 (3). hlm. 032308. doi:10.1103/PhysRevA.101.032308.
  16. ↑ Maria Schuld. An introduction to quantum machine learning. Contemporary Physics. 2014. Vol. 56 (2). hlm. 172–185. doi:10.1080/00107514.2014.964942.
  17. ↑ 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.
  18. ↑ Sanjib Ghosh. Quantum reservoir processing. npj Quantum Information. 2019. Vol. 5. hlm. 35. doi:10.1038/s41534-019-0149-8.
  19. ↑ Peter Broecker. Quantum phase recognition via unsupervised machine learning. 2017-07-03.
  20. ↑ 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.
  21. ↑ 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.
  22. ↑ 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.
  23. ↑ 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.
  24. ↑ 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.
  25. ↑ 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.
  26. ↑ Cédric Bény. Deep learning and the renormalization group. 2013-01-14.
  27. ↑ Srinivasan Arunachalam. A Survey of Quantum Learning Theory. 2017-01-24.
  28. ↑ 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.

Sumber dan atribusi

Konten artikel ini diadaptasi dari 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.


Diperoleh dari "https://wiki.unissula.ac.id/index.php?title=Pemelajaran_mesin_kuantum&oldid=1263"