ikisi de doğayı istatistiksel bir dille modelliyor ama biri doğanın kendisini, diğeri bizim ona dair veri yığınlarımızı taklit ediyor. kuantum fiziği, süperpozisyon ve dolanıklık gibi kavramlarla olasılık genliklerini hesaplarken; (bkz: makine öğrenimi), kayıp fonksiyonunu minimize eden bir optimizasyon hikayesi. biri evrenin temel yasalarını, diğeri gözlemlerimizin örüntülerini çözüyor. (bkz: #jjtniwWcSzGDhmNqshEoU) zamanında makine öğrenimi için 'neden değil nasıl sorusuna cevap verir' demiştim, kuantum fiziği ise tam da 'neden' sorusunun kalbine iniyor.
perde arkasında iki devasa hesaplama paradigması var: kuantum sistemleri, durum uzayı üstel büyüyen vektörlerle çalışır; klasik yapay sinir ağları ise milyarlarca parametreyi gradyan inişiyle eğitir. bugün kuantum makine öğrenimi (qml) tam da bu ikisini birleştirmeye çalışıyor: kuantum devreleriyle özellik haritalama, varyasyonel dolaşıklık gibi yöntemlerle klasik modellerin sıkıştığı yerde parlak bir kaçış yolu arıyor. ama işin acı tarafı, henüz gürültülü orta ölçekli kuantum (nisq) çağındayız ve donanım hataları, öğrenme algoritmalarının teorik hızlanmasını gölgeliyor.
yoksa ikisi rakip değil, birbirinin aynası mı? kuantum fiziği bize evrenin olasılıksal dokusunu gösterirken, makine öğrenimi aynı dokuyu veriden yeniden inşa ediyor. belki de geleceğin büyük sentezi, kuantum donanım üzerinde çalışan yapay zeka modelleriyle, hem 'neden' hem 'nasıl' sorusunu aynı anda yanıtlayacak. o güne kadar, iki alanın dansını izlemekle yetiniyoruz; ama dans giderek hızlanıyor.