Concise Guide to Quantum Machine Learning

این کتاب مقدمه ای کوتاه اما مؤثر بر یادگیری ماشین کوانتومی (QML) ارائه می دهد. QML صرفاً ترجمه‌ای از تکنیک‌های یادگیری ماشین کلاسیک به زبان محاسبات کوانتومی نیست، بلکه رویکردی جدید برای نمایش و پردازش داده‌ها است. بر این اساس، محتوا به «بخش کلاسیک» که طرح‌های یادگیری ماشین استاندارد را توصیف می‌کند و «قسمت کوانتومی» که به همتایان کوانتومی آنها می‌پردازد، تقسیم نمی‌شود. در عوض، برای غوطه ور کردن خواننده از ابتدا در قلمرو کوانتومی، کتاب از مفاهیم اساسی مکانیک کوانتومی و محاسبات کوانتومی شروع می شود. با اجتناب از جزئیات غیر ضروری، مفاهیم و ابزارهای ریاضی را ارائه می دهد که برای فرمالیسم کوانتومی مورد نیاز ضروری هستند. به نوبه خود، الگوریتم‌های کوانتومی را بررسی می‌کند که بیشتر مرتبط با یادگیری ماشین هستند. فصل‌های بعدی آخرین پیشرفت‌ها در این زمینه را برجسته می‌کنند و امیدوارکننده‌ترین جهت‌ها را برای تحقیقات آینده مورد بحث قرار می‌دهند.

برای کسب بیشترین استفاده از این کتاب، درک اولیه آمار و جبر خطی است. کافی؛ هیچ تجربه قبلی با محاسبات کوانتومی یا یادگیری ماشین لازم نیست. این کتاب برای محققان و دانشجویانی که هیچ پیشینه ای در زمینه فیزیک کوانتومی ندارند و همچنین برای فیزیکدانانی که به دنبال ورود به حوزه QML هستند مناسب است.

This book offers a brief but effective introduction to quantum machine learning (QML). QML is not merely a translation of classical machine learning techniques into the language of quantum computing, but rather a new approach to data representation and processing. Accordingly, the content is not divided into a “classical part” that describes standard machine learning schemes and a “quantum part” that addresses their quantum counterparts. Instead, to immerse the reader in the quantum realm from the outset, the book starts from fundamental notions of quantum mechanics and quantum computing. Avoiding unnecessary details, it presents the concepts and mathematical tools that are essential for the required quantum formalism. In turn, it reviews those quantum algorithms most relevant to machine learning. Later chapters highlight the latest advances in this field and discuss the most promising directions for future research.

To gain the most from this book, a basic grasp of statistics and linear algebra is sufficient; no previous experience with quantum computing or machine learning is needed. The book is aimed at researchers and students with no background in quantum physics and is also suitable for physicists looking to enter the field of QML.