量子物理学论文

随着量子计算机的出现，已经提出了许多不同的架构，这些架构可以提供优于经典架构的优势。量子神经网络(QNN)是最有前途的架构之一，其应用包括物理仿真、优化和更一般的机器学习任务。QNN虽然潜力巨大，但已被证明呈现出“贫瘠的高原”，代价函数的梯度随着系统的规模呈指数级消失，使得架构无法针对大规模问题进行训练。

在这里，洛斯阿拉莫斯国家实验室(LANL)与伦敦大学的研究人员合作，展示了在特定的QNN建筑中没有贫瘠的高原。

研究人员分析了一种称为量子卷积神经网络(QCNN)的架构，这种架构是最近提出来解决量子数据分类问题的。例如，可以训练QCNN根据所属物质的相对量子态进行分类。而且，研究人员已经证明QCNN不会受到贫瘠高原的影响，因此它们被突出显示为短期内实现量子优势的潜在候选架构。

这项研究名为“量子对流神经网络中没有贫瘠的平台”，发表在2021，10，15的《物理评论X》上。

围绕有效分析量子数据的可能性，QNN引起了人们的兴趣。然而，这种兴奋被许多QNN构造(称为贫瘠高原景观)的指数消失梯度的存在所缓解。最近提出了QCNN，它涉及一系列卷积层和池层，在保留数据特征信息的同时减少了量子比特的数量。

QCNN示意图

在这项工作中，研究人员严格分析了QCNN架构中参数的梯度标度。发现梯度的方差消失的速度不比多项式快，这意味着QCNN没有表现出贫瘠的高原。这一结果为QNN随机初始化的可训练性提供了分析保证，突出了QNN随机初始化的可训练性。这不同于许多其他QNN建筑。

为了得到结果，研究人员引入了一种新的基于图的方法来分析Haar分布酉的期望值；这在其他情况下可能是有用的；此外，研究人员进行了数值模拟，以验证分析结果。

量子细胞神经网络的张量网络表示。

作为一种人工智能方法，QCNN的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，这些卷积层或过滤器与汇集层交错，以在保持数据集重要特征的同时降低数据的维度。这些神经网络可以用来解决从图像识别到材料发现的一系列问题。克服贫瘠高原是挖掘量子计算机在人工智能应用中的全部潜力并显示其相对于经典计算机的优越性的关键。

Marco Cerezo(论文的共同作者之一)表示，到目前为止，量子机器学习的研究人员已经分析了如何降低贫瘠高原的影响，但他们缺乏完全避免这种影响的理论基础。LANL的工作表明，一些量子神经网络实际上不受贫瘠高原的影响。

“有了这种保证，研究人员现在将能够筛选关于量子系统的量子计算机数据，并使用这些信息来研究材料特性或发现新材料。LANL的量子物理学家Patrick Coles说。

科尔斯认为，随着研究人员更频繁地使用最近的量子计算机，产生越来越多的数据，量子人工智能算法的应用将会更多——所有的机器学习程序都需要大量数据。

QCNN架构的GRIM模块。

40多年来，物理学家一直认为量子计算机将被证明能够模拟和理解粒子的量子系统，这将扼杀传统的经典计算机。LANL的研究证明，稳健的量子卷积神经网络类型有望应用于分析量子模拟数据。

“量子机器学习领域起步较晚。科尔斯说，“关于激光有一句名言。刚被发现的时候，人们说他们在寻找解决问题的方法。现在激光到处都在使用。同样，我们许多人怀疑量子数据是否可以变得高度可用，这可能意味着量子机器学习也将起飞。」

例如，科尔斯说，研究重点是陶瓷材料作为高温超导体，可以改善无摩擦运输，如磁悬浮列车。然而，分析大量受温度、压力和材料中杂质影响的相的数据并对其进行分类是一项艰巨的任务。利用可扩展的量子神经网络，量子计算机可以筛选关于给定材料各种状态的大量数据集，并将这些状态与相联系起来，以确定高温超导的最佳状态。

论文作者亚瑟·佩萨(Arthur Pesah)表示:“随着QNN的蓬勃发展，我们认为对其他候选架构进行类似的分析非常重要，我们工作中开发的技术可以作为这种分析的蓝图。」

论文链接:https://journals . APS . org/prx/abstract/10.1103/physrevx . 11.04165438+。

相关报道:https://phys . org/news/2021-10-突破-证明-路径-量子-ai.html。