性能的一大飞跃 - 新突破提升量子人工智能

煤油灯科技2023-10-07 09:09

一项开创性的理论证明揭示,使用一种称为过度参数化的技术可以增强量子机器学习在挑战传统计算机的任务中的性能。

“我们相信我们的研究结果对于利用机器学习来学习量子数据的性质将会有所帮助,比如在量子材料研究中对不同物质相进行分类,这在经典计算机上非常困难。”洛斯阿拉莫斯国家实验室的博士后研究员迭戈·加西亚-马丁(Diego Garcia-Martin)表示。他是洛斯阿拉莫斯实验室一支关于这种技术的新论文的共同作者。该论文发表在《自然计算科学》杂志上。

机器学习,或者人工智能,通常涉及训练神经网络来处理信息(即数据)并学习如何解决给定的任务。简而言之,可以将神经网络视为带有旋钮或参数的盒子,它以数据为输入,并根据旋钮的配置产生输出。

在训练阶段,随着学习的进行,算法会更新这些参数,试图找到它们的最佳设置。一旦确定了最佳参数,神经网络就应该能够将其从训练实例学到的知识推广到新的和以前未见过的数据点上。

在训练参数时,经典人工智能和量子人工智能都面临挑战,因为算法可能会陷入次优的状态而停滞不前。

过度参数化是经典机器学习中一个众所周知的概念,它增加了越来越多的参数,可以防止这种停滞不前的情况。

直到现在,人们对过度参数化在量子机器学习模型中的影响还知之甚少。在这篇新论文中,洛斯阿拉莫斯团队为预测量子机器学习模型在何种关键参数数量下会变得过度参数化建立了一个理论框架。在某个临界点上,添加参数会引发网络性能的飞跃,模型的训练显著变得更容易。

通过建立量子神经网络过度参数化的理论基础,我们的研究为优化训练过程并在实际量子应用中实现增强性能铺平了道路。

借助量子力学的方面,如纠缠和叠加,量子机器学习提供了比经典计算机上的机器学习更快的速度,即量子优势。

避免机器学习领域的陷阱

为了说明洛斯阿拉莫斯团队的发现,该论文的高级科学家马科·塞雷佐(Marco Cerezo)以一个思想实验来描述这一过程,其中一个寻找黑暗山脉中最高山峰的徒步旅行者代表了训练过程。该徒步旅行者只能朝着特定方向前进,并通过使用有限的GPS系统来测量高度来评估他们的进展。

在这个类比中,模型中的参数数量对应于登山者可以移动的方向,塞雷佐说。“一个参数允许前后移动,两个参数使其能够横向移动,依此类推,”他说道。一个数据领域可能会有超过三个维度,不像我们假想的登山者的世界一样。

如果参数太少,登山者无法彻底探索,可能会将一个小山看成最高峰,或者陷入一个平坦区域,在那里任何一步都似乎毫无意义。然而,随着参数数量的增加,登山者可以在更高维度的更多方向上移动。最初看起来像是一个局部小山的东西可能会变成两个峰顶之间的高山谷地。通过添加更多的参数,徒步旅行者避免了陷入困境并找到了真正的山峰,即问题的解决方案。

 

---煤油灯科技victorlamp.com编译整理---

你可能也喜欢这些文章