其他
全新突破助推量子AI的性能飞跃——
光子盒研究院
在某种程度上，当使用大量参数在量子计算机上训练机器学习模型时，越多越好。
一项突破性的理论证明表明，使用一种称为超参数化(overparametrization)的技术可以增强量子机器学习的性能，以应对挑战传统计算机的任务。
洛斯阿拉莫斯国家实验室博士后研究员Diego Garcia-Martin说：“我们相信，我们的成果将有助于使用机器学习来学习量子数据的特性，例如在量子材料研究中对不同物质的相进行分类，而这在经典计算机上是非常困难的。”他是洛斯阿拉莫斯团队在《自然-计算科学》（Nature Computational Science）上发表的一篇关于该技术的新论文的共同作者之一。
机器学习或人工智能通常涉及训练神经网络来处理信息（数据），并学习如何解决特定任务。简而言之，我们可以把神经网络想象成一个带有旋钮或参数的盒子，它将数据作为输入，并根据旋钮的配置产生输出。
Garcia-Martin解释说：“在训练阶段，算法会随着学习更新这些参数，试图找到最佳设置。一旦确定了最佳参数，神经网络就应该能够将它从训练实例中学到的知识外推到新的和以前未曾见过的数据点上。”
然而，在训练参数时，经典人工智能和量子人工智能都面临着共同的挑战：算法在训练过程中可能会达到次优配置，从而停滞不前。
量子计算机的出现带来了使用这些设备执行数据处理任务的令人兴奋的可能性。基于量子神经网络 (QNN) 的模型是最有吸引力的学习方案之一，因为它们具有多功能性、易于实施，并且有望超越经典模型。
尽管量子神经网络有着巨大的前景，但对它们的理论理解仍处于起步阶段，并且经典神经网络获得的一些基础结果尚未导出到量子神经网络。其中一个结果是超参数化现象，当模型中的参数数量超过临界值时就会发生这种现象。
超参数化是经典机器学习中的一个著名概念，它可以增加越来越多的参数，从而避免停滞。
直到现在，人们对超参数化在量子机器学习模型中的影响还知之甚少。
在这篇新论文中，洛斯阿拉莫斯团队建立了一个理论框架，用于预测量子机器学习模型变得过度参数化的临界参数数。在某个临界点，增加参数会促使网络性能飞跃，模型也会变得更容易训练。
第一作者、洛斯阿拉莫斯博士后研究员Martin Larocca解释说：“通过建立量子神经网络超参数化的基础理论，我们的研究为优化训练过程和在实际量子应用中实现更高的性能铺平了道路。”
通过利用纠缠和叠加等量子力学方面的优势，量子机器学习有望实现比经典计算机上的机器学习更快的速度或量子优势。
为了说明洛斯阿拉莫斯团队的研究成果，该论文的资深科学家、实验室量子理论家Marco Cerezo描述了一个思想实验：一个远足者在一片黑暗的风景中寻找最高的山峰，这就是训练过程。徒步旅行者只能朝特定方向前进，并通过使用有限的全球定位系统测量海拔高度来评估他们的进展。
在这个比喻中，模型中参数的数量与远足者可移动的方向相对应，Cerezo 说：“一个参数允许前后移动，两个参数允许横向移动，以此类推。与我们假设的徒步旅行者的世界不同，数据景观可能不止三个维度。”
“如果参数太少，徒步旅行者就无法进行彻底的探索，可能会把一座小山误认为是最高的山峰，或者被困在一个平坦的区域，迈出任何一步似乎都是徒劳。然而，随着参数数量的增加，行走者可以在更高的维度上向更多的方向移动。最初看似局部的山丘可能会变成山峰之间的高谷。有了更多的参数，徒步者就能避免被困，找到真正的山峰或问题的解决方案。”
值得注意的是，此次实验的结果是在无噪声环境下得出的，并不包括量子硬件噪声的存在。由于噪声是当前可用量子硬件的固有组成部分，那么问题来了：当噪声被考虑在内时，定理会发生怎样的变化？研究小组进行了初步模拟，结果表明，对于较小的噪声水平，存在一个准超参数化机制；在这种情况下，上述定理成立，仍可用于理解 QNN 的超参数化。
不过，要了解这种准超参数化机制的范围和局限性，还需要做更多的工作。
参考链接：[1]https://scitechdaily.com/a-leap-in-performance-new-breakthrough-boosts-quantum-ai/#google_vignette[2]https://www.nature.com/articles/s43588-023-00468-5[3]https://www.nature.com/articles/s43588-023-00467-6
相关阅读：下一代计算：嵌入AI的云/雾/边缘/量子计算
从AI到量子，应对21世纪的计算挑战
欧盟拟限制量子计算、AI、半导体等技术外包
量子 & AI，是融合还是颠覆？
从AI到量子，德国声称欧洲支持中国的军事科技
#光子盒视频号开通啦！你要的，这里全都有#
每周一到周五，我们都将与光子盒的新老朋友相聚在微信视频号，不见不散！
|qu|cryovac>你可能会错过：|qu|cryovac>|qu|cryovac>