（圖片來源：網絡）

量子計算+AI，將會以強大的性能優(yōu)勢為各個行業(yè)帶來前所未有的變革。最近，美國洛斯阿拉莫斯國家實驗室在“量子+AI”領域取得了重大突破：他們的最新研究表明，訓練一種量子神經網絡只需要少量數據集。相比于經典計算中AI對數據的巨大需求，這一研究成果將大大推進量子AI優(yōu)越性的加速實現。

目前，該研究成果Generalization in quantum machine learning from few training data（在少量訓練數據中推廣量子機器學習）已發(fā)表在《自然通訊》雜志上。洛斯阿拉莫斯國家實驗室的量子理論家、論文合著者Lukasz Cincio說道：“許多人認為，量子機器學習（QML）訓練需要大量數據。但現在，我們已經嚴格證明，在許多問題中情況并非如此。這為QML技術發(fā)展提供了新的希望。”

假設參數或變量的數量將由希爾伯特空間的大小決定，那么該空間將隨著大量量子比特的訓練而呈指數增長。論文的另一合著者Patrick Coles表示：“很難想象希爾伯特空間有多大，例如30個量子比特就存在10億個狀態(tài)，量子AI的訓練過程就發(fā)生在這個廣闊的空間內。然而現在，您只需要與訓練模型中的參數數量一樣多的數據點就夠了——大約30個數據點?！?/p>

AI的最終目標是通過數據訓練的神經網絡能夠對未觀察的數據做出準確的識別和預測，即泛化能力。由于對加強量子AI泛化所需要的條件知之甚少，該研究小組對有限數量的N個訓練數據點進行訓練，全面研究了QML的泛化性能，并證明了變分QML中泛化誤差的理論上界。與此同時，該研究小組還用更少的計算門來編譯在量子計算機上處理的量子模型，同時對于經典計算的量子模擬來說同樣具有效率，大大簡化了過程。

在探索該方法的應用中，他們使用量子卷積神經網絡測試，在對非常小的數據集進行訓練后，對量子態(tài)相位進行了分類。

該實驗室量子科學中心主任、該論文的合著者Andrew Sornborger表示：“在材料學中，研究量子物質的相分類很重要，對相的理解可以幫助我們制造具有所需特性（例如超導性）的材料。我們的工作證明，只需要經過最少的數據訓練，機器學習系統就可以發(fā)現相圖?！?/p>

該研究小組表示，新方法還具有其他潛在應用，包括學習量子糾錯碼和量子動力學模擬等。

參考鏈接：

https://discover.lanl.gov/news/0823-quantum-ai

https://www.nature.com/articles/s41467-022-32550-3

編譯：A編輯：慕一