FM Ilmo Salmenperä puolustaa väitöskirjaansa "Investigating Implementation Issues of Quantum Machine Learning" perjantaina 19.12.2025 klo 13 Helsingin yliopiston päärakennuksen auditoriossa Karolina Eskelin (U3032, Unioninkatu 34, 3. kerros). Vastaväittäjänä toimii professori Ilkka Tittonen (Aalto-yliopisto) ja kustoksena professori Jukka K. Nurminen (Helsingin yliopisto). Väitöstilaisuus pidetään englanniksi.
Ilmo Salmenperän väitöskirjatyö on osa Helsingin yliopiston tietojenkäsittelytieteen osastolla ja Empirical Software Engineering -ryhmässä tehtävää tutkimusta. Väitöskirjan ohjaajana on toiminut professori Jukka K. Nurminen (Helsingin yliopisto).
Kvanttikoneoppimismallien toteutuksesta aiheutuvien ongelmien ratkaiseminen
Kvanttikoneoppimista, kvanttilaskennan ja koneoppimisen risteyksessä oleva tietojenkäsittelytieteen haaraa, on pidetty jo vuosikymmenen ajan yhtenä lupaavimpana lähestymistapana, jolla voisi saavuttaa kvanttihyödyn lähitulevaisuudessa. Näiden menetelmien soveltaminen käytännön tilanteissa vaatii kuitenkin lukuisien haastavien ongelmien ratkomista ennen, kun teoreettiset mallit kvanttihyödyn saavuttamisesta voivat muuttua käytännön sovelluskohteiksi. Nämä esiintyvät ongelmat voidaan jakaa kahteen luokkaan: kvanttitietokoneiden ominaisuuksien rajoitteiden aiheuttamiksi ongelmiksi sekä kvanttikoneoppimismallien matemaattisten formalismien aiheuttamiksi ongelmiksi. Tässä väitöskirjassa tutkimme näistä kahdesta luokasta aiheutuvia ongelmia käytännön tilanteissa, kehittelemme niille ratkaisuja ja muodostamme sen jälkeen yleiset rajat sille, miten näitä ongelmia kannattaa lähestyä.
Kvanttitietokoneiden laitteiston ominaisuudet, kuten vaikkapa kubittien tai niiden välisten yhteysten määrä ja laatu, rajoittavat useimmiten ratkaistavan ongelman kokoa merkittävästi. Näitä ongelmia voidaan lieventää parhaiten tehostamalla kvanttialgoritmin muodostavaa kvanttipiiriä pienemmäksi ja laitteiston sisäistä rakennetta myötäileväksi. Nämä tehostamismenetelmät ovat pääpiirteiltään ja tarvittavien kompromissien osalta usein hyvin samankaltaisia riippumatta kvanttikoneoppimismallista, joihin ne kohdistetaan, minkä vuoksi menetelmien tutkiminen on hedelmällistä myös muidenkin algoritmien kannalta.
Kvanttikoneoppimismallien matemaattisten formalismien aiheuttamat ongelmat ovat vähemmän yhteneväisiä, sillä ne ovat usein sidoksissa mallien omiin sisäisiin rakenteisiin. Nämä ongelmat ilmenevät meille joko yksittäisinä häiriötekijöinä, jotka voidaan korjata muokkaamalla mallin formalisaatiota ottamaan nämä tilanteet huomioon, tai kokonaisvaltaisempina ominaisuuksina, joista eroon pääseminen vaatii läpimurtoja kvantti-informaatioteorian saralla.
Vaikka väitöskirjan tutkimusaihepiiri on äärimmäisen laaja, meidän tutkimuksemme on merkittävä askel kohti käytännönläheisempiä kvanttikoneoppimismalleja. Työ kattaa lukuisia kvanttikoneoppimisalgoritmeja sekä kvanttitietokoneteknologioita, joilla näitä algoritmejä voi suorittaa. Yrittämällä ymmärtää näiden mallien toimintaa tulemme samalla kehittäneeksi valmiutta tulevaisuudelle, jossa kvanttitietokoneet ovat varteenotettava vaihtoehto koneoppimistehtäviä suoritettaessa.
Väitöskirjan saatavuus
Väitöskirjan elektroninen versio tulee olemaan saatavilla Helsingin yliopiston avoimessa julkaisuarkistossa Heldassa osoitteessa
Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: