簡單資料使量子機器學習發揮最大價值
導言
根據《科學網》編輯流程和政策，本文已按照其編輯過程和政策進行審查。編輯們在確保內容可信度的同時突顯了以下特點：經過事實核查的同行評審出版社可信資源校對過的簡單資料能夠最大限度地利用量子機器學習。來自洛斯阿拉莫斯國家實驗室的這項新理論研究證實了這一點。該發現為利用當今的噪音中間規模量子計算機模擬量子系統等任務，提供了比傳統數位計算機更好的效能，同時也為最佳化量子感測器提供了希望。研究內容
這篇研究的主要作者是洛斯阿拉莫斯國家實驗室的 Matthias Caro，他是一個由美國、英國和瑞士的其他研究人員組成的團隊的成員。這個團隊一直在開發更高效的算法的理論基礎，特別是針對量子機器學習，以利用這些噪音機器的功能，同時行業在改善量子計算機的質量和擴大尺寸。簡單資料的重要性
這項新研究的理論突破基於洛斯阿拉莫斯國家實驗室及其合作夥伴之前的工作，他們證實了訓練量子神經網路只需要很少的資料。總結起來，這些最近的理論突破證實，透過使用非常少且非常簡單的狀態來組織訓練，可以在當今的有限量子計算機上比在傳統的基於經典物理的計算機上更快地完成實際工作。應用和優勢
量子機器學習能夠容忍比其他型別的算法更高的噪音，因為機器學習的一些任務，如分類，不需要 100%的準確性就能得出有用的結果。這項新研究表明，使用更簡單的資料可以使量子電路更簡單地在計算機上準備給定的量子狀態，例如展示分子系統演變的量子化學模擬。簡單電路易於實現，噪音更小，因此能夠完成計算。這種新的方法允許程式員將量子計算資源保留給他們獨特執行的任務，例如模擬量子系統，同時避免在量子計算機上進行長電路引起的錯誤。關於量子感測
洛斯阿拉莫斯國家實驗室的研究在發展中的量子感測領域具有應用價值。利用量子力學的某些原理，可以創造出極其靈敏的裝置，用於測量引力場或磁場等。在研究中，Sornborger 表示噪音使得量子感測方法變得更加複雜。將量子機器學習應用於量子感測協議可以在編碼機制未知或硬體噪音影響量子探針時應用該方法。總結
這項新研究的發現表明，量子機器學習所需的資料比以前所認為的要簡單得多。這為當今的有限量子計算機提供了更大的可用性，使其在模擬量子系統和其他任務上比傳統數位計算機更有優勢。此外該研究還探索了將量子計算資源保留給特定任務的方法，同時將量子算法的編譯工作轉移到經典計算機上。最後該研究展示了將量子機器學習應用於量子感測的潛在應用價值。 參考資料： Matthias C. Caro 等人的論文《Out-of-distribution generalization for learning quantum dynamics》於 2023 年在《Nature Communications》上發表。 DOI: 10.1038/s41467-023-39381-w 原文來源：Los Alamos National Laboratory（摘譯自科學網）QuantumMachineLearning-量子機器學習,資料獲得,最大價值
