东方时讯网新的理论研究证明，量子计算机上的机器学习所需的数据比之前认为的要简单得多。这一发现为最大限度地提高当今嘈杂的中型量子计算机的可用性铺平了道路，以比传统数字计算机更好地模拟量子系统和其他任务，同时也为优化量子传感器提供了希望。
洛斯阿拉莫斯国家实验室的量子理论家LukaszCincio表示：“我们证明，少量的令人惊讶的简单数据足以训练量子神经网络。”他是包含该证明的论文的合著者，该论文发表在《自然通讯》杂志上。“这项工作朝着让量子机器学习变得更容易、更容易、更短期的方向又迈出了一步。”
这篇新论文是洛斯阿拉莫斯团队、柏林自由大学的主要作者马蒂亚斯·卡罗(MatthiasCaro)以及来自美国、英国和瑞士的其他研究人员合作完成的。该小组一直在开发更高效算法的理论基础，特别是量子机器学习，以利用这些噪声机器的能力，同时业界致力于提高量子计算机的质量和扩大量子计算机的规模。
这篇新的研究论文建立在洛斯阿拉莫斯国家实验室及其合作者之前的工作基础上，证明训练量子神经网络只需要少量的数据。总而言之，这些最近的理论突破证明，用很少且非常简单的状态组织训练提供了一种特定的方法，可以在当今有限的量子计算机上比传统的基于经典物理的计算机更快地执行实际工作。
“虽然之前的工作考虑了量子机器学习中的训练数据量，但这里我们关注的是训练数据的类型，”卡罗说。“我们证明，即使我们将自己限制在简单类型的数据上，很少的训练数据点就足够了。”
“实际上，这意味着你不仅可以在几张猫的图片上训练神经网络，还可以在非常简单的图片上训练，”辛西奥说。“对于量子模拟，这意味着你可以在量子简单状态上进行训练。”
“这些状态很容易准备，这使得整个学习算法更容易在近期量子计算机上运行，”合著者、洛桑联邦理工学院物理学教授、前洛斯阿拉莫斯博士后ZoeHolmes说。
量子计算机的近期应用
量子比特与周围环境之间相互作用形式的噪声会导致错误，从而限制了当前量子计算机技术的处理能力。尽管存在噪音，量子计算机在某些任务上表现出色，例如模拟材料科学中的量子系统以及通过机器学习对量子态进行分类。
“如果你要对量子数据进行分类，那么你可以容忍一定量的噪音，但仍然能得到正确的答案，”辛西奥说。“这就是为什么量子机器学习可能是一个很好的近期应用。”
该论文的合著者AndrewT.Sornborger表示，量子机器学习比其他类型的算法能容忍更多的噪声，因为分类(机器学习的主要内容)等任务不需要100%的准确率来提供有用的结果。索恩伯格是量子科学中心量子算法和模拟推力领域的负责人。该中心由橡树岭国家实验室领导，是洛斯阿拉莫斯等国家实验室、大学和工业界之间的合作项目。
新论文表明，使用更简单的数据可以让不太复杂的量子电路在计算机上准备给定的量子态，例如显示分子系统演化的量子化学模拟。简单的电路易于实现，噪声较小，从而能够完成计算。新的《自然通讯》论文展示了一种使用易于准备的状态编译量子机器学习算法的方法。
卸载到经典计算机
复杂的量子算法甚至超过了非常大的经典计算机的处理能力。然而，该团队还发现，由于他们的新方法简化了算法的开发，因此可以将编译量子算法的任务转移到经典计算机上。然后编译好的算法就可以在量子计算机上成功运行。这种新方法允许程序员为他们可以独特执行但会阻碍经典计算机的任务保留量子计算资源，例如模拟量子系统，同时避免量子计算机上的长电路引起错误的噪声。
该实验室的研究已应用于量子传感的发展领域。例如，利用量子力学的某些原理可以创建用于测量重力场或磁场的极其灵敏的设备。
索恩博格说：“在没有噪声的情况下，量子传感方法很简单，理论上也很容易理解，但当考虑到噪声时，情况就会变得更加复杂。”“将量子机器学习添加到量子传感协议中，使您能够在编码机制未知或硬件噪声影响量子探针时应用该方法。”能源部资助的一个项目正在研究量子机器学习的应用，该项目由同样来自洛斯阿拉莫斯的LukaszCincio和MarcoCerezo领导。