新墨西哥州洛斯阿拉莫斯10月18日消息——运行在量子计算机上的卷积神经网络因其比传统计算机更好地分析量子数据的潜力而引起了巨大的轰动。尽管一个被称为“贫瘠高原”的基本可解决问题限制了这些神经网络在大型数据集上的应用，但新的研究通过严格的证明，克服了这一弱点，保证了可伸缩性。
“你构建量子神经网络的方式可能会导致贫瘠的高原，也可能不会，”《量子卷积神经网络缺乏贫瘠高原》论文的合著者马可·塞雷佐说。今天由洛斯阿拉莫斯国家实验室团队发表在《物理评论X.》上。塞雷佐是洛斯阿拉莫斯国家实验室专攻量子计算、量子机器学习和量子信息的物理学家。“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保证，这意味着人们可以对其参数进行常规训练。”
量子卷积神经网络作为一种人工智能(AI)方法，其灵感来源于视觉皮层。因此，它们涉及一系列卷积层或过滤器，与池化层交织在一起，在保持数据集的重要特征的同时降低数据的维数。
这些神经网络可以用于解决一系列问题，从图像识别到材料发现。克服贫瘠的高原是充分挖掘量子计算机在人工智能应用中的潜力，并证明其优于传统计算机的关键。
Cerezo说，到目前为止，量子机器学习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这种影响的理论基础。洛斯阿拉莫斯的研究显示了一些量子神经网络实际上是如何对贫瘠的高原免疫的。
“有了这个保证,研究人员现在可以筛选量子系统的量子计算机数据和使用这些信息为研究材料特性或发现新材料,在其他应用程序中,“帕特里克·科尔斯说,量子物理学家洛斯▪阿拉莫斯和论文的合著者。
科尔斯认为，随着研究人员更频繁地使用近期量子计算机并生成越来越多的数据——所有的机器学习程序都需要数据，量子人工智能算法将出现更多的应用。
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失去了，”塞雷佐说。
问题的关键是优化景观中的“渐变消失”。景观由山丘和山谷组成，目标是训练模型的参数，通过探索景观的地理位置来找到解决方案。可以说，解决方案通常位于谷底。但在平坦的地形上，人们无法训练这些参数，因为很难决定该往哪个方向走。
当数据特征的数量增加时，这个问题变得特别重要。事实上，随着特征尺寸的增大，景观会呈指数级平坦。因此，在寸草不生的高原上，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化方法，用于分析量子神经网络中的尺度，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在模拟和理解量子粒子系统方面是有用的，而传统的经典计算机却无法做到这一点。洛斯阿拉莫斯的研究证明，这种量子卷积神经网络是稳健的，有望在分析量子模拟数据方面有有用的应用。
“量子机器学习领域仍然很年轻，”科尔斯说。“当激光第一次被发现时，有一句关于它的名言，说它是一种寻找问题的解决方案。现在激光被广泛使用。类似地，我们中的许多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，研究的重点是陶瓷材料作为高温超导体，科尔斯说，这可以改善无摩擦运输，如磁悬浮列车。但是，分析材料中受温度、压力和杂质影响的大量相的数据，并对相进行分类是一项巨大的任务，超出了传统计算机的能力。
使用可扩展的量子神经网络，量子计算机可以筛选给定材料的各种状态的大量数据集，并将这些状态与相关联，以确定高温超导的最佳状态。
论文:“量子卷积神经网络中缺乏贫瘠高原”，作者Arthur Pesah, M. Cerezo, Samson Wang, Tyler Volkoff, Andrew T. sorborger和Patrick J. Coles，发表于Physical Review X. https://journals.aps.org/prx/abstract/10.1103/PhysRevX.11.041011
资助:洛斯阿拉莫斯国家实验室实验室指导的研究和发展项目。
关于洛斯阿拉莫斯国家实验室
洛斯阿拉莫斯国家实验室是一个多学科研究机构，从事代表国家安全的战略科学研究，由Triad管理，Triad是一个面向公共服务的国家安全科学组织，由三个创始成员平等拥有:巴特尔纪念研究所(巴特尔)，德克萨斯农工大学系统(TAMUS)，以及加州大学(UC)的董事为能源部的国家核安全局。
洛斯阿拉莫斯通过确保美国核储备的安全和可靠性，开发减少大规模杀伤性武器威胁的技术，并解决与能源、环境、基础设施、卫生和全球安全问题有关的问题，来加强国家安全。
拉-乌尔- 21 - 29621
