由洛斯阿拉莫斯国家实验室制作
一个新的证明，即某些量子卷积网络可以保证被训练，为量子人工智能帮助材料发现和许多其他应用扫清了道路
信用:洛斯阿拉莫斯国家实验室 运行在量子计算机上的卷积神经网络因其比经典计算机更好地分析量子数据的潜力而引起了巨大的轰动
虽然一个被称为“贫瘠高原”的基本可解性问题限制了这些神经网络在大数据集上的应用，但新的研究通过保证可扩展性的严格证明克服了这一致命弱点
“你构建量子神经网络的方式可能会导致一个贫瘠的高原——或者不会，”Marco Cerezo说，他是《物理评论X》上的洛斯阿拉莫斯国家实验室团队今天发表的题为“量子卷积神经网络中没有贫瘠的高原”的论文的合著者
塞雷佐是洛斯阿拉莫斯的一名物理学家，专门研究量子计算、量子机器学习和量子信息
“我们证明了一种特殊类型的量子神经网络不存在贫瘠的高原
我们的工作为这个架构提供了可训练性的保证，这意味着我们可以训练它的参数
" 作为一种人工智能方法，量子卷积神经网络受到视觉皮层的启发
因此，它们包括一系列卷积层或滤波器，与池层交错，在保留数据集重要特征的同时降低数据的维度
这些神经网络可以用来解决一系列问题，从图像识别到材料发现
克服贫瘠的高原是挖掘量子计算机在人工智能应用中的全部潜力并证明其优于经典计算机的关键
Cerezo说，到目前为止，量子机器学习领域的研究人员分析了如何减轻贫瘠高原的影响，但他们缺乏完全避免贫瘠高原的理论基础
洛斯阿拉莫斯的工作表明，一些量子神经网络实际上是如何对贫瘠的高原免疫的
洛斯阿拉莫斯的量子物理学家、该论文的合著者帕特里克·科尔斯(Patrick Coles)说:“有了这一保证，研究人员现在将能够筛选关于量子系统的量子计算机数据，并将这些信息用于研究材料特性或发现新材料以及其他应用。”
科尔斯认为，随着研究人员更频繁地使用短期量子计算机并生成越来越多的数据，量子人工智能算法的更多应用将会出现——所有的机器学习程序都渴望数据
避免渐变消失 “如果你有一个贫瘠的高原，量子加速或优势的所有希望都将失去，”塞雷佐说
问题的关键是优化景观中的“消失梯度”
景观由山丘和山谷组成，目标是通过探索景观的地理来训练模型的参数以找到解决方案
可以说，解决方案通常位于最低的谷底
但是在平坦的地形上，我们无法训练参数，因为很难决定朝哪个方向走
当数据特征的数量增加时，这个问题变得特别相关
事实上，随着要素大小的增加，景观会呈指数级变平
因此，在贫瘠的高原上，量子神经网络无法扩大规模
洛斯阿拉莫斯团队开发了一种新颖的图形方法，用于分析量子神经网络中的标度，并证明其可训练性
40多年来，物理学家一直认为量子计算机将被证明有助于模拟和理解粒子的量子系统，这些粒子阻塞了传统的经典计算机
洛斯阿拉莫斯的研究证明了这种量子卷积神经网络的稳健性，并有望在分析量子模拟数据中得到有用的应用
科尔斯说:“量子机器学习领域还很年轻。”
“有一句关于激光的名言，当它们第一次被发现时，说它们是寻找问题的解决方案
现在激光无处不在
同样，我们中的一些人怀疑量子数据将变得高度可用，然后量子机器学习将起飞
" 例如，科尔斯说，研究的重点是作为高温超导体的陶瓷材料，这可以改善无摩擦运输，如磁悬浮列车
但是分析材料大量相的数据，并对这些相进行分类是一项超出传统计算机能力的艰巨任务，这些相受温度、压力和这些材料中杂质的影响
利用可扩展的量子神经网络，量子计算机可以筛选出关于给定材料各种状态的大量数据集，并将这些状态与相位相关联，以识别高温超导的最佳状态
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
