Comment on "Supervised Learning with Quantum Hamiltonian Embeddings" (arXiv:2610.26833)
Dit artikel bekritiseert de nieuwheid en computationele haalbaarheid van "Supervised Learning with Quantum Hamiltonian Embeddings" door het te contextualiseren binnen eerdere ontwikkelingen in Quantum Cognition Machine Learning (QCML) en de bewering te betwisten dat een volledige dataset in een enkele grondtoestand kan worden gecodeerd.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het snel evoluerende veld van kunstmatige intelligentie zoeken onderzoekers voortdurend naar manieren om machines sneller en efficiënter te laten leren. Een veelbelovende weg houdt in dat er instrumenten worden geleend uit de kwantumfysica, de tak van de wetenschap die beschrijft hoe de kleinste deeltjes in het universum zich gedragen. Een centraal idee in deze benadering is om data niet alleen te behandelen als getallen op een scherm, maar als fysieke toestanden binnen een systeem. Stel je een landschap voor waarin elk mogelijk stukje informatie overeenkomt met een specifieke positie, en het doel van leren is om het laagste, meest stabiele punt in dat landschap te vinden. Dit concept, bekend als een grondtoestand, is al lang een theoretische droom voor wetenschappers die complexe classificatieproblemen willen oplossen die traditionele computers overweldigen. De vraag die de recente werken drijft, is of het coderen van data in deze kwantumtoestanden een echt voordeel biedt ten opzichte van klassieke methoden, of dat het slechts een andere manier is om dezelfde oude wiskunde uit te voeren.
Een recente paper door onderzoekers van Qognitive, Inc., en Stony Brook University behandelt een specifieke bewering gemaakt in een studie door Molteni en collega's met betrekking tot "Supervised Learning with Quantum Hamiltonian Embeddings." De auteurs van de nieuwe paper betogen dat het kernidee van het coderen van data in een kwantumsysteem niet nieuw was. Zij wijzen erop dat hun eigen organisatie eerder een methode genaamd QCML, of Quantum Cognition Machine Learning, heeft ontwikkeld, die steunt op hetzelfde fundamentele principe van het mappen van data naar fysieke toestanden. Sterker nog, het team van Qognitive stelt dat zij dit concept, samen met de benodigde computercode, hebben gedeeld met de auteurs van de paper van Molteni tijdens een samenwerking waar ook onderzoekers van IBM bij betrokken waren. Zij merken op dat zij hun versie van deze machine learning-taak al succesvol hadden uitgevoerd op een IBM-kwantumprocessor, waarmee werd aangetoond dat de basisbenadering al in de praktijk werd gebracht.
Het specifieke verschil dat in de nieuwe paper wordt belicht, betreft de manier waarop de data binnen het kwantumsysteem wordt georganiseerd. In de eerdere QCML-methode krijgt elk individueel stukje data zijn eigen unieke fysieke opstelling, wat voor elk item een afzonderlijke toestand creëert. De nieuwe paper stelt een andere strategie voor waarbij alle data in één enkele, gedeelde fysieke opstelling wordt gepakt. De auteurs van de kritiek suggereren dat hoewel deze nieuwe methode enige computationele snelheid kan bieden, het de aard van het werk op een fundamentele manier verandert die mogelijk niet nodig is. Zij stellen dat het kwantumgedeelte van het proces grotendeels decoratief wordt. In hun visie wordt de specifieke informatie over elk datapunt afgehandeld door een reeks rotaties, terwijl de gedeelde toestand fungeert als een gemeenschappelijke achtergrond.
De onderzoekers demonstreren dat als men de gedeelde achtergrondtoestand geheel zou verwijderen, de specifieke rotaties aangepast zouden kunnen worden om exact hetzelfde werk te doen. Dit impliceert dat de complexe kwantummechanica die wordt gebruikt om de gedeelde toestand te creëren, overbodig zou kunnen zijn. De paper concludeert dat de auteurs van de oorspronkelijke studie niet hebben bewezen dat hun methode van het leren van de gedeelde toestand en de rotaties beter is dan simpelweg het direct leren van het gecombineerde effect van beide. Als die laatste benadering net zo goed werkt, suggereert dit dat de gehele kwantumcomputatie vervangen kan worden door een eenvoudigere, klassieke berekening, waardoor het kwantumaspect van het experiment eerder ornamentaal dan essentieel is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.