发表在昨天的《自然通讯》上的一篇论文报告中，科学家称，解决了量子机器学习中的一个关键问题，从而可以保证给定的机器学习算法在具有大量量子位的量子计算机上能正常工作。
论文题为：“浅参量量子电路中依赖贫瘠高原的成本函数”。贫瘠高原（barrenplateaus），指当量子计算机的比特数目较大时，当前量子神经网络的框架很容易变得无法有效进行训练，其目标函数会变得很平，导致梯度变得很难估计。解决这一在机器学习优化算法中所发生的可训练性问题，是量子机器学习中的一个关键问题。量子计算机上的许多机器学习算法都遭受着这个可怕的、不可解决的“贫瘠高原”之苦，陷入了优化问题的死胡同。直到现在，对这一挑战的研究还相对较少。
在该论文中，美国洛斯阿拉莫斯国家实验室的的研究人员开发出了定理，以证明任何给定的算法都可以避免由于在量子计算机上运行而扩大规模时所出现的这一问题。基于严格的理论工作建立起了定理，以保证给定的机器学习算法在大型计算机上扩展时能正常工作。
论文主要作者马可·塞雷佐说：“这项工作解决了量子机器学习的一个关键问题。我们严格地证明了变分量子算法的某些体系结构在扩展时是否会出现贫瘠高原的条件。”“利用我们的定理，可以保证该体系结构可扩展到具有大量量子位的量子计算机。”
论文合著者帕特里克·科尔斯说：“通常，这种方法一直是进行优化并查看其是否有效，这导致了该领域研究人员的大量计算工作。”建立数学定理并推导第一原理可以消除开发算法时的猜测。
研究团队使用通用的混合方法进行变分量子算法，在经典计算机上训练和优化参数，并在量子计算机上评估算法的成本函数或算法成功的度量。
共同作者卢卡斯·辛西奥表示，机器学习算法将优化任务转化为成本函数，例如，找到旅行销售员通过多个城市的最短路线，是一个将被最小化的函数的数学描述，只有在解决问题后，该功能才会达到最小值。
大多数变分量子算法（variationalquantumalgorithm,缩写VQA）会随机启动搜索，并在每个量子位上全局评估成本函数，这通常会导致“贫瘠高原”的平台现象。变分量子算法用一个经典优化器来训练一个含参量子线路，有些像是机器学习（ML）在量子计算中的自然类比。
变分量子算法优化了参数化量子电路的参数，以最小化成本函数。变分量子算法建立了一个解决问题的环境，其中高峰代表系统或问题的高能量点，而低谷则代表低能量值。答案在于最深的山谷，这是基态，以最小化成本函数表示。为了找到解决方案，该算法在地形周围进行自我训练，从而导航至低点。
科尔斯说，“我们能够证明，如果选择一个在每个单独的量子位本地查看的成本函数，那么我们保证……可以进行训练。”
塞雷佐说：“人们一直在提出量子神经网络，通过对10个或更少的几个量子位进行小规模模拟，来对其进行基准测试。”“问题是，不会看到只有少量量子比特的贫瘠高原，但是当尝试扩展到更多de1量子比特时，它就会出现，从而必须为更大的量子计算机重新设计算法。”
所以贫瘠高原是在机器学习优化算法中发生的可训练性问题，它无法使机器学习训练自己找到解决方案。塞雷佐表示：“如果这个贫瘠高原现象问题不解决，那么量子加速或量子优势的所有希望就将荡然无存。”
洛斯阿拉莫斯团队的突破是朝着量子优势迈出的重要一步。短期内实现量子优势将取决于扩大变分量子算法。这种算法具有潜力，可以有希望在个量子比特或更多的量子计算机可用时解决实际的问题。量子计算机目前最大容量为65量子位。
科尔斯表示：“在具有噪声的中型量子计算机中，最热门的话题是变分量子算法、或量子机器学习和量子神经网络。”“它们已经开始了从化学上解决分子的结构、到模拟原子和分子的动力学、以及分解数等领域的应用。”
参考：