新研究在量子计算中取得突破

洛斯阿拉莫斯国家实验室的一个团队进行的新研究在量子计算中取得了突破。一个新定理证明，卷积神经网络可以在量子计算机上训练，这克服了优化问题中所知的“贫瘠高原”的威胁。

该研究发表在Physical Review X上。

贫瘠高原 – 基本可解性问题

卷积神经网络可以在量子计算机上运行，以更好地分析数据，而不是经典计算机。然而，存在一个基本的可解性问题，称为“贫瘠高原”，这对研究人员构成了挑战，限制了神经网络在大数据集上的应用。

马尔科·塞雷佐（Marco Cerezo）是研究论文“量子卷积神经网络中没有贫瘠高原”的共同作者。塞雷佐是一位物理学家，专门研究量子计算、量子机器学习和量子信息。

“构建量子神经网络的方式可能会导致贫瘠高原的出现 — 或者不会，”塞雷佐说。“我们证明了量子卷积神经网络中没有贫瘠高原的存在。我们的工作为这种架构提供了可训练的保证，这意味着可以普遍训练其参数。”

量子卷积神经网络涉及一系列卷积层，交替与池化层，这使得可以在保持重要特征的同时减少数据的维度。

神经网络可以用于广泛的应用，例如图像识别和材料发现。为了实现量子计算机在人工智能应用中的全部潜力，必须克服贫瘠高原的问题。

根据塞雷佐的说法，量子机器学习的研究人员传统上分析了如何减轻这个问题的影响，但他们尚未开发出避免整个问题的理论基础。这种情况正在随着新研究的出现而改变，因为团队的论文展示了某些量子神经网络对贫瘠高原具有免疫性。

帕特里克·科尔斯（Patrick Coles）是洛斯阿拉莫斯的量子物理学家，也是研究的共同作者。

“有了这个保证，研究人员将能够筛选量子计算机关于量子系统的数据，并利用这些信息来研究材料特性或发现新材料等应用，”科尔斯说。

消失的梯度

主要问题源于优化景观中的“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，而解决方案通常位于最低山谷的底部，但当景观是平坦的时，这是不可能的。

当数据特征的数量增加时，问题变得更加困难，景观随着特征大小而指数级地变得平坦。这表明存在一个贫瘠高原，量子神经网络无法扩大规模。

为了解决这个问题，团队开发了一种新的图形方法来分析量子神经网络内的缩放。预计该神经网络将应用于分析量子模拟的数据。

“量子机器学习领域仍然很年轻，”科尔斯说。“有一个关于激光器的著名引语，当它们首次被发现时，说它们是‘一个寻找问题的解决方案’。现在激光器被广泛使用。同样，许多人怀疑，量子数据将变得非常丰富，然后量子机器学习将会起飞。”

一个可扩展的量子神经网络可以使量子计算机能够筛选大量关于某种材料的各种状态的数据。然后可以将这些状态与相位相关联，这将有助于确定高温超导的最佳状态。