（圖片來(lái)源：網(wǎng)絡(luò)）

量子計(jì)算+AI，將會(huì)以強(qiáng)大的性能優(yōu)勢(shì)為各個(gè)行業(yè)帶來(lái)前所未有的變革。最近，美國(guó)洛斯阿拉莫斯國(guó)家實(shí)驗(yàn)室在“量子+AI”領(lǐng)域取得了重大突破：他們的最新研究表明，訓(xùn)練一種量子神經(jīng)網(wǎng)絡(luò)只需要少量數(shù)據(jù)集。相比于經(jīng)典計(jì)算中AI對(duì)數(shù)據(jù)的巨大需求，這一研究成果將大大推進(jìn)量子AI優(yōu)越性的加速實(shí)現(xiàn)。

目前，該研究成果Generalization in quantum machine learning from few training data（在少量訓(xùn)練數(shù)據(jù)中推廣量子機(jī)器學(xué)習(xí)）已發(fā)表在《自然通訊》雜志上。洛斯阿拉莫斯國(guó)家實(shí)驗(yàn)室的量子理論家、論文合著者Lukasz Cincio說(shuō)道：“許多人認(rèn)為，量子機(jī)器學(xué)習(xí)（QML）訓(xùn)練需要大量數(shù)據(jù)。但現(xiàn)在，我們已經(jīng)嚴(yán)格證明，在許多問(wèn)題中情況并非如此。這為QML技術(shù)發(fā)展提供了新的希望。”

假設(shè)參數(shù)或變量的數(shù)量將由希爾伯特空間的大小決定，那么該空間將隨著大量量子比特的訓(xùn)練而呈指數(shù)增長(zhǎng)。論文的另一合著者Patrick Coles表示：“很難想象希爾伯特空間有多大，例如30個(gè)量子比特就存在10億個(gè)狀態(tài)，量子AI的訓(xùn)練過(guò)程就發(fā)生在這個(gè)廣闊的空間內(nèi)。然而現(xiàn)在，您只需要與訓(xùn)練模型中的參數(shù)數(shù)量一樣多的數(shù)據(jù)點(diǎn)就夠了——大約30個(gè)數(shù)據(jù)點(diǎn)。”

AI的最終目標(biāo)是通過(guò)數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠?qū)ξ从^察的數(shù)據(jù)做出準(zhǔn)確的識(shí)別和預(yù)測(cè)，即泛化能力。由于對(duì)加強(qiáng)量子AI泛化所需要的條件知之甚少，該研究小組對(duì)有限數(shù)量的N個(gè)訓(xùn)練數(shù)據(jù)點(diǎn)進(jìn)行訓(xùn)練，全面研究了QML的泛化性能，并證明了變分QML中泛化誤差的理論上界。與此同時(shí)，該研究小組還用更少的計(jì)算門來(lái)編譯在量子計(jì)算機(jī)上處理的量子模型，同時(shí)對(duì)于經(jīng)典計(jì)算的量子模擬來(lái)說(shuō)同樣具有效率，大大簡(jiǎn)化了過(guò)程。

在探索該方法的應(yīng)用中，他們使用量子卷積神經(jīng)網(wǎng)絡(luò)測(cè)試，在對(duì)非常小的數(shù)據(jù)集進(jìn)行訓(xùn)練后，對(duì)量子態(tài)相位進(jìn)行了分類。

該實(shí)驗(yàn)室量子科學(xué)中心主任、該論文的合著者Andrew Sornborger表示：“在材料學(xué)中，研究量子物質(zhì)的相分類很重要，對(duì)相的理解可以幫助我們制造具有所需特性（例如超導(dǎo)性）的材料。我們的工作證明，只需要經(jīng)過(guò)最少的數(shù)據(jù)訓(xùn)練，機(jī)器學(xué)習(xí)系統(tǒng)就可以發(fā)現(xiàn)相圖?！?/p>

該研究小組表示，新方法還具有其他潛在應(yīng)用，包括學(xué)習(xí)量子糾錯(cuò)碼和量子動(dòng)力學(xué)模擬等。

參考鏈接：

https://discover.lanl.gov/news/0823-quantum-ai

https://www.nature.com/articles/s41467-022-32550-3

編譯：A

編輯：慕一