Прорыв в области квантового искусственного интеллекта обещает новые возможности для оптимизации процесса обучения в квантовых нейронных сетях. Команда исследователей из Лос-Аламосской национальной лаборатории выяснила , что так называемая перепараметризация улучшает работу квантового машинного обучения, превосходя возможности классических компьютеров.
Данная методика позволяет решать задачи, которые вызывают трудности у традиционных компьютеров. “Мы считаем, что наши результаты будут полезны при использовании машинного обучения для изучения свойств квантовых данных, таких как классификация различных фаз материи в исследованиях квантовых материалов, что очень сложно реализовать на классических компьютерах”, – сказал Диего Гарсия-Мартин, сотрудник лаборатории.
Перепараметризация, известный концепт в классическом машинном обучении, заключается в постоянном увеличении параметров, чтобы предотвратить остановку алгоритма. Команда Лос-Аламоса установила теоретическую модель для предсказания критического числа параметров, при котором модель квантового машинного обучения становится перепараметризованной. В определенный момент добавление параметров приводит к скачку в производительности сети.
Объяснение принципа работы перепараметризации в квантовых нейронных сетях дал Марко Черезо, старший ученый проекта, который сравнил процесс с путешественником в темном ландшафте, ищущим самую высокую гору. Число параметров модели соответствует направлениям, в которых может двигаться путешественник. С увеличением параметров, путешественник может двигаться в большем числе направлений и избежать ловушек.
Данная работа проливает свет на оптимизацию процесса обучения в квантовых нейронных сетях и создает новые возможности для развития квантового машинного обучения, которое обещает значительные преимущества в скорости по сравнению с классическими компьютерами.