隨著量子計算機的出現，已經提出了許多不同的架構，這些架構可以提供優於經典架構的優勢。量子神經網絡(QNN)是最有前途的架構之壹，其應用包括物理仿真、優化和更壹般的機器學習任務。QNN雖然潛力巨大，但已被證明呈現出“貧瘠的高原”，代價函數的梯度隨著系統的規模呈指數級消失，使得架構無法針對大規模問題進行訓練。
在這裏，洛斯阿拉莫斯國家實驗室(LANL)與倫敦大學的研究人員合作，展示了在特定的QNN建築中沒有貧瘠的高原。
研究人員分析了壹種稱為量子卷積神經網絡(QCNN)的架構，這種架構是最近提出來解決量子數據分類問題的。例如，可以訓練QCNN根據所屬物質的相對量子態進行分類。而且，研究人員已經證明QCNN不會受到貧瘠高原的影響，因此它們被突出顯示為短期內實現量子優勢的潛在候選架構。
這項研究名為“量子對流神經網絡中沒有貧瘠的平臺”，發表在2021，10，15的《物理評論X》上。
圍繞有效分析量子數據的可能性，QNN引起了人們的興趣。然而，這種興奮被許多QNN構造(稱為貧瘠高原景觀)的指數消失梯度的存在所緩解。最近提出了QCNN，它涉及壹系列卷積層和池層，在保留數據特征信息的同時減少了量子比特的數量。
QCNN示意圖
在這項工作中，研究人員嚴格分析了QCNN架構中參數的梯度標度。發現梯度的方差消失的速度不比多項式快，這意味著QCNN沒有表現出貧瘠的高原。這壹結果為QNN隨機初始化的可訓練性提供了分析保證，突出了QNN隨機初始化的可訓練性。這不同於許多其他QNN建築。
為了得到結果，研究人員引入了壹種新的基於圖的方法來分析Haar分布酉的期望值；這在其他情況下可能是有用的；此外，研究人員進行了數值模擬，以驗證分析結果。
量子細胞神經網絡的張量網絡表示。
作為壹種人工智能方法，QCNN的靈感來源於視覺皮層。因此，它們涉及壹系列卷積層或過濾器，這些卷積層或過濾器與匯集層交錯，以在保持數據集重要特征的同時降低數據的維度。這些神經網絡可以用來解決從圖像識別到材料發現的壹系列問題。克服貧瘠高原是挖掘量子計算機在人工智能應用中的全部潛力並顯示其相對於經典計算機的優越性的關鍵。
Marco Cerezo(論文的共同作者之壹)表示，到目前為止，量子機器學習的研究人員已經分析了如何降低貧瘠高原的影響，但他們缺乏完全避免這種影響的理論基礎。LANL的工作表明，壹些量子神經網絡實際上不受貧瘠高原的影響。
“有了這種保證，研究人員現在將能夠篩選關於量子系統的量子計算機數據，並使用這些信息來研究材料特性或發現新材料。LANL的量子物理學家Patrick Coles說。
科爾斯認為，隨著研究人員更頻繁地使用最近的量子計算機，產生越來越多的數據，量子人工智能算法的應用將會更多——所有的機器學習程序都需要大量數據。
QCNN架構的GRIM模塊。
40多年來，物理學家壹直認為量子計算機將被證明能夠模擬和理解粒子的量子系統，這將扼殺傳統的經典計算機。LANL的研究證明，穩健的量子卷積神經網絡類型有望應用於分析量子模擬數據。
“量子機器學習領域起步較晚。科爾斯說，“關於激光有壹句名言。剛被發現的時候，人們說他們在尋找解決問題的方法。現在激光到處都在使用。同樣，我們許多人懷疑量子數據是否可以變得高度可用，這可能意味著量子機器學習也將起飛。」
例如，科爾斯說，研究重點是陶瓷材料作為高溫超導體，可以改善無摩擦運輸，如磁懸浮列車。然而，分析大量受溫度、壓力和材料中雜質影響的相的數據並對其進行分類是壹項艱巨的任務。利用可擴展的量子神經網絡，量子計算機可以篩選關於給定材料各種狀態的大量數據集，並將這些狀態與相聯系起來，以確定高溫超導的最佳狀態。
論文作者亞瑟·佩薩(Arthur Pesah)表示:“隨著QNN的蓬勃發展，我們認為對其他候選架構進行類似的分析非常重要，我們工作中開發的技術可以作為這種分析的藍圖。」
論文鏈接:https://journals . APS . org/prx/abstract/10.1103/physrevx . 11.04165438+。
相關報道:https://phys . org/news/2021-10-突破-證明-路徑-量子-ai.html。