洛斯阿拉莫斯国家实验室 贫瘠平台是一个可训练性问题，当问题解决空间在算法运行时变得平坦时，该问题出现在机器学习优化算法中
洛斯阿拉莫斯国家实验室的研究人员已经开发出定理来证明，任何给定的算法都将避免在量子计算机上运行时出现贫瘠的高原
信用:洛斯阿拉莫斯国家实验室2021年3月19日 量子计算机上的许多机器学习算法遭受着可怕的不可解性“贫瘠高原”之苦，它们在优化问题上陷入了死胡同
直到现在，这个挑战还没有被研究过
严谨的理论工作已经建立了一些定理，这些定理保证了一个给定的机器学习算法在大型计算机上升级时是否能够工作
“这项工作解决了量子机器学习可用性的一个关键问题
洛斯阿拉莫斯国家实验室团队今天在《自然通讯》上发表了一篇论文，该论文的主要作者马可·切雷佐说:“我们严格证明了当变分量子算法的某些架构扩大规模时，它们会或不会出现贫瘠的高原。”
塞雷佐是洛斯阿拉莫斯研究量子信息论的博士后
“有了我们的定理，你可以保证这种架构可以扩展到拥有大量量子位的量子计算机
" 该研究的合著者帕特里克·科尔斯说:“通常的方法是进行优化，看看它是否有效，这导致了该领域研究人员的疲劳。”
建立数学定理和推导出第一原理使开发算法不再需要猜测
洛斯阿拉莫斯团队使用普通的混合方法来实现变分量子算法，在经典计算机上训练和优化参数，并在量子计算机上评估算法的成本函数或算法成功的度量
合著者Lukasz Cincio说，机器学习算法将优化任务(例如，为旅行推销员找到穿过几个城市的最短路线)转化为成本函数
这是一个将被最小化的函数的数学描述
只有你解决了这个问题，这个函数才能达到它的最小值
大多数量子变分算法都是随机开始搜索的，并对每个量子位的代价函数进行全局评估，这通常会导致一个贫瘠的平台
科尔斯说:“我们能够证明，如果你选择一个成本函数，在每个单独的量子位上进行局部观察，那么我们保证缩放不会导致时间对系统大小的不可思议的陡峭曲线，因此是可以训练的。”
量子变分算法建立了一个解决问题的场景，其中峰值代表系统或问题的高能量点，而谷值代表低能量值
答案就在最深的山谷里
这是基态，用最小成本函数表示
为了找到解决方案，该算法对风景进行自我训练，从而导航到低点
切雷佐说:“人们一直在提出量子神经网络，并通过对10个(或更少)量子位进行小规模模拟来对其进行基准测试。”
“问题是，你不会看到只有少量量子位的贫瘠高原，但当你试图扩大到更多量子位时，它就出现了
然后，该算法必须为一个更大的量子计算机返工
" 贫瘠平台是一个可训练性问题，当问题解决空间在算法运行时变得平坦时，该问题出现在机器学习优化算法中
在这种情况下，算法无法在看起来毫无特色的景观中找到向下的坡度，也没有到达能量最小值的清晰路径
由于缺乏景观特征，机器学习无法训练自己找到解决方案
“如果你有一个贫瘠的高原，量子加速或量子优势的所有希望都将失去，”塞雷佐说
洛斯阿拉莫斯团队的突破朝着量子优势迈出了重要的一步，量子计算机在经典计算机上执行一项需要无限长时间的任务
在短期内实现量子优势取决于按比例放大变分量子算法
当100个或更多量子比特的量子计算机可用时，这些算法有潜力解决实际问题——希望很快
量子计算机目前最大输出为65个量子比特
量子位是量子计算机中信息的基本单位，就像经典数字计算机中的比特一样
科尔斯说:“在嘈杂的中等规模量子计算机中，最热门的话题是变分量子算法，或者量子机器学习和量子神经网络。”
“它们被提出用于从化学中解决分子结构到模拟原子和分子的动力学以及分解数字的应用
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
