Comment on "Supervised Learning with Quantum Hamiltonian Embeddings" (arXiv:2610.26833)
本文通过将“监督学习与量子哈密顿量嵌入”置于先前的量子认知机器学习（QCML）发展背景下进行考察，并对将整个数据集编码进单个基态的说法提出质疑，从而对该论文的新颖性与计算可行性进行了批判性分析。
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
在快速发展的人工智能领域，研究人员不断寻找让机器学习得更快、更高效的方法。一个充满前景的方向是借鉴量子物理学的工具，即描述宇宙中最小粒子行为的科学分支。这种方法的一个核心思想是将数据不仅视为屏幕上的数字，而是视为系统中的物理状态。想象一下，在一个景观中，每一条可能的信息都对应着一个特定的位置，而学习的目标就是找到该景观中最低、最稳定的点。这个被称为“基态”的概念，长期以来一直是希望解决传统计算机无法处理的复杂分类问题的科学家们的理论梦想。驱动近期研究的问题在于：将数据编码进这些量子状态，究竟是提供了相对于经典方法的真实优势，还是仅仅是实现同样旧数学逻辑的一种不同方式。
Qognitive, Inc. 与斯通尼布鲁克大学（Stony Brook University）的研究人员最近发表的一篇论文，针对 Molteni 及其同事在一项关于“利用量子哈密顿量嵌入进行监督学习”的研究中所提出的特定主张进行了回应。新论文的作者认为，将数据编码进量子系统的核心思想并非首创。他们指出，他们自己的机构此前已经开发出一种名为 QCML（量子认知机器学习）的方法，该方法依赖于将数据映射到物理状态的相同基本原理。事实上，Qognitive 团队表示，在一次包括 IBM 研究人员在内的合作过程中，他们已经与 Molteni 论文的作者分享了这一概念以及必要的计算机代码。他们指出，他们此前已经成功地在 IBM 量子处理器上运行了其版本的此类机器学习任务，证明了这种基本方法已在实践中得到应用。
新论文中强调的具体差异在于数据在量子系统内是如何组织的。在早期的 QCML 方法中，每一条独立的数据都被分配到其独特的物理设置中，为每一个项目创建一个独特的态。而新论文提出了一种不同的策略，即将所有数据打包进一个单一的、共享的物理设置中。批评论文的作者认为，虽然这种新方法可能会提供一定的计算速度，但它从根本上改变了工作的性质，且这种改变可能并无必要。他们认为，过程中的量子部分在很大程度上变得具有装饰性。在他们看来，关于每个数据点的特定信息是由一组旋转来处理的，而共享态则作为一个共同的背景。
研究人员通过论证表明，如果完全移除这个共享的背景态，可以通过调整特定的旋转操作来完成完全相同的工作。这意味着用于创建共享态的复杂量子机制可能是多余的。论文结论指出，原研究的作者并未证明其学习共享态与旋转的方法，优于直接学习两者的结合效应。如果后者同样有效，则意味着整个量子计算可以被更简单的经典计算所取代，从而使得实验中的量子层面显得华而不实，而非必不可少。
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。