Pulsed learning for quantum data re-uploading models
本文提出了一种基于脉冲的数据重上传量子机器学习变体，该变体将可训练参数直接嵌入系统动力学中，并证明了在模拟超导硬件上，与传统的基于门的模型相比，其具有更优越的准确性、泛化能力和噪声韧性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在试图教一个机器人识别模式，比如分辨猫和狗的区别。在量子计算的世界里，这被称为量子机器学习（QML）。长期以来，科学家们一直尝试通过构建由“门”（gates）组成的电路来完成这项工作，这些“门”就像是僵硬的、预制好的乐高积木。你将它们拼接在一起，从而搭建出一台学习机器。但问题在于：我们目前拥有的量子计算机是嘈杂且脆弱的，就像风暴中的纸牌屋。当你把太多这些僵硬的乐高积木堆叠在一起时，噪声会破坏一切，机器人也会忘记它原本要学习的内容。
最近，研究人员意识到，也许我们根本不应该用乐高积木来搭建。与其拼接预制的模块，如果我们可以直接使用计算机的母语呢？你可以这样想：与其告诉一位音乐家按照乐谱演奏一个特定的音符（即一个“门”），不如给他们一段连续的指令，精确地告诉他们手指如何移动、按键的力量有多大以及音符要持续多久（即一个“脉冲”）。这种被称为“脉冲控制”（pulse control）的方法，让你能够实时雕刻音乐的声音，而不是仅仅堆叠预录好的片段。大问题在于，如果我们不再使用僵硬的乐高积木，而是开始用原始声波进行雕刻，我们能否构建出一个更聪明、更强韧的机器人，使其在风吹过时不会分崩离析？
这篇论文探讨的正是这个想法。作者们——来自西班牙的一个研究团队——决定将一种流行的量子学习方法——“数据重上传”（data re-uploading）——从头开始，使用这些原始脉冲而非标准的“门”进行重构。在他们的“数据重上传”模型中，计算机会被反复喂入同一条信息，逐层递进，以帮助它更好地理解模式。通常，这是通过堆叠一层层的“门”来实现的。但在本文中，作者用专门设计的微波脉冲（即与量子计算机硬件对话的实际信号）替换了每一个“门”。
他们在模拟真实量子计算机（具体来说，是一个使用超导跨子比特/transmon qubits，即微型超低温电路的系统）的模型上测试了这种全新的“脉冲原生”（pulse-native）模型。他们让这个基于脉冲的新型机器人与旧有的基于门的机器人进行了一场对决，并使用了四个不同的谜题：区分数字 0 和 8、对花卉类型进行分类，以及解决一些复杂的几何形状问题。
结果非常令人鼓舞。在这些模拟实验中，基于脉冲的模型表现得像一个更优秀的学生。首先，它学习得更快，且完成任务所需的层数更少。当谜题变得复杂时，旧有的基于门的模型开始“过度思考”并死记硬背训练数据（这被称为“过拟合”问题），而脉冲模型则保持专注，并能更好地泛化到新数据上。其次，或许是最重要的一点，脉冲模型表现得极其强韧。当研究人员加大“噪声”以模拟一个非常混乱、易出错的环境时，基于门的机器人很快就放弃了，开始随机猜测。然而，基于脉冲的机器人却保持了冷静，即使在噪声强到足以破坏另一个模型的环境下，依然能保持有效的准确率。
作者认为，这是因为使用计算机的母语可以实现更高效、更稳健的信息处理方式。通过避开标准“门”的僵硬步骤，脉冲模型可以在嘈杂的量子世界中更加平滑地导航。虽然这些结果目前基于模拟，且仅限于两比特系统（由于模拟这些复杂脉冲需要极高的计算能力），但研究结果指向了一个未来：如果我们在进行量子机器学习时，不再把量子计算机当作普通的计算机对待，而是将其视为它们本质上的那种独特的、基于波的机器，那么量子机器学习可能会运作得更加出色。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。