Квантовые вычисления обещают решить проблемы, слишком сложные для самых мощных классических суперкомпьютеров. Однако обучение квантовых машин оставалось одной из ключевых задач в этой области. Теперь исследователи из Лос-Аламосской национальной лаборатории достигли значительного прогресса, разработав новый подход к квантовому машинному обучению, который избегает подводных камней традиционных моделей.
Команда исследователей продемонстрировала, что мощный статистический метод, известный как гауссов процесс, может быть естественным образом применен к квантовым системам. Это открытие закладывает основу для более эффективных, масштабируемых и надежных квантовых алгоритмов обучения, что может революционизировать использование квантовых вычислений.
Нейронные сети изменили классические вычисления, сделав возможными такие инновации, как автономные автомобили, перевод в реальном времени и генеративный ИИ. Неудивительно, что исследователи долго стремились повторить этот успех в квантовых вычислениях. Однако прямое применение классических моделей нейронных сетей к квантовым системам привело к постоянным проблемам.
Классические нейронные сети являются параметрическими системами, которые учатся, корректируя миллионы внутренних значений или «нейронов», чтобы аппроксимировать сложные функции. Они также известны тем, что сходятся к гауссовому процессу – вероятностному распределению, похожему на колоколообразную кривую. Это позволяет ученым делать надежные прогнозы, анализируя средний выход нейронной сети по множеству входных данных. Однако при переносе этой архитектуры в квантовый мир исследователи столкнулись с проблемой «бесплодных плато» – математических зон, препятствующих эффективному обучению сети.
Чтобы решить эту проблему, команда из Лос-Аламосской лаборатории отказалась от нейронных сетей и исследовала, можно ли применить основную статистическую идею – гауссовы процессы – непосредственно к квантовым системам. Их целью было доказать, что подлинные квантовые гауссовы процессы не только существуют, но и могут служить основой для квантового машинного обучения. В отличие от нейронных сетей, гауссовы процессы являются непараметрическими.
—
📰 Источник: innovationnewsnetwork.com
Адаптировано и переведено с оригинала
