El aprendizaje automático cuántico (QML) es un tema que toma prestados y reúne conceptos de los campos del aprendizaje automático (ML) y la computación cuántica (QC), con el objetivo de mejorar los algoritmos de ML, los experimentos cuánticos o ambos. Se pueden considerar dos enfoques principales:
a) El uso de recursos cuánticos para mejorar el ML en términos de velocidad y/o rendimiento, incluyendo la implementación de algoritmos de ML en ordenadores cuánticos.
b) Aplicación del ML a la experimentación cuántica, por ejemplo, Reinforcement Learning para el control cuántico, Active Learning para reducir el número de medidas cuánticas, etc.
Además, de su idoneidad para resolver problemas relacionados con la física. El uso de QML es de singular interés en una serie de campos, como las finanzas o el diseño de fármacos, que pueden beneficiarse de cálculos rápidos. En este marco, QML puede ayudar a QC a llevar a cabo una ventaja cuántica útil, es decir, a obtener soluciones que serían inviables con computadoras clásicas y/o algoritmos clásicos.
Las colaboraciones científicas y de transferencia en este campo son bienvenidas, incluidas las tareas de consultoría para analizar e implementar soluciones basadas en QML.