Квантовая запутанность делает возможными квантовые нейронные сети — ученые

Квантовая запутанность устраняет необходимость наличия для обучения квантовой нейронной сети экспоненциально большого количества обучающих данных, доказали исследователи Лос-Аламосской национальной лаборатории, 24 февраля сообщает Phys.org.

Прямым следствием классической теоремы No-Free-Lunch (о бесплатном обеде), демонстрирующей влияние данных в классическом машинном обучении, является то, что чем больше данных, тем выше средняя производительность. Таким образом, данные — это ресурс в машинном обучении, который в конечном итоге ограничивает производительность.

«Наша работа доказывает, что как большие данные, так и большая запутанность ценны в квантовом машинном обучении. Более того, запутанность приводит к масштабируемости, что решает проблему экспоненциального увеличения размера данных для их изучения. Теорема дает нам надежду на то, что квантовые нейронные сети находятся на пути к достижению цели квантового ускорения, где в конечном итоге они превзойдут классические компьютеры», — сказал Эндрю Сорнборгер, специалист по информатике в Лос-Аламосе.

Новая теорема No-Free-Lunch, доказанная в Лос-Аламосе, показывает, что в квантовом режиме запутанность также является ресурсом, который можно обменять на данные, чтобы снизить требования к ним.

«Мы продемонстрировали на квантовом оборудовании, что мы можем эффективно нарушать стандартную теорему о бесплатном обеде, используя запутанность, в то время как наша новая формулировка теоремы выдержала экспериментальную проверку», — сказал Кунал Шарма, первый автор статьи.

Новая теорема предполагает, что запутанность следует рассматривать как ценный ресурс в квантовом машинном обучении наряду с большими данными. Тогда как работа классических нейронных сетей зависит только от больших данных.