Classical training of conditional instantaneous quantum polynomial-time Born machines
本文介绍了一种经典可训练的条件性 IQP Born 机器，该机器通过使用共享酉算符将条件编码在输入态中，证明了其在模拟条件分布和相变方面，比以往的对角条件模型和经典生成模型具有更高的效率和准确性。
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
在物理学与计算机科学的静谧角落，研究人员正在探索一种存在于量子计算机内部的新型人工智能。与我们口袋里处理信息仅为简单的零与一序列的经典计算机不同，量子机器使用的粒子可以同时存在于多种状态之中。这种独特的能力使它们能够应对那些需要普通计算机花费数千年才能解决的问题。一个极具前景的应用是生成式建模，即机器学习复杂系统的隐藏模式——例如原子如何排列成材料，或像素如何构成一张脸——并随后创造出该系统全新的、真实的样本。挑战一直在于如何训练这些机器。由于量子计算机目前仍处于脆弱且运行成本高昂的阶段，科学家们一直在寻找先利用经典计算机进行教学的方法，仅将量子硬件留给生成数据的最后阶段。
一组研究人员现在开发出了一种方法，专门针对一种被称为“Born机”的特定类型量子模型来实现这一目标。这些模型旨在模拟量子系统的统计行为。研究人员发现了一种方法，可以让单个量子电路处理一整族不同的场景，而不仅仅是一个固定的情境。想象一位艺术家，只需被告知要描绘哪个季节，就能画出春夏秋冬的风景，而无需为每个季节都学习一套全新的绘画技巧。团队发现，通过将“季节”直接编码进量子计算机的初始状态中，他们可以在经典计算机上完成整个训练过程。一旦训练完成，该机器就可以部署在真实的量子设备上，为任何条件（甚至是它从未见过的条件）生成样本。
其发现的核心在于他们如何准备量子计算机以接收指令。以往的方法试图根据条件调整量子电路的内部“旋钮”，这有点像是在汽车行驶时试图更换引擎。而新方法则是改变引擎启动前的“燃料”。他们向量子电路输入一个特定的初始状态，该状态已经包含了关于条件的信息，例如特定的温度或某个特定的设置。随后，电路对这个初始状态应用一套统一的、共享的操作。因为初始状态携带了条件信息，所以量子电路不需要针对每个新场景进行重新训练或重新配置。这使得研究人员可以使用快速且可靠的经典模拟来进行训练，然后在最终版本运行时再将其部署在量子处理器上。
为了测试这一想法，团队专注于两个截然不同的挑战。首先，他们研究了一个数学分布族，其中平均值和离散度可以被独立调节。他们训练了一个模型来处理这些变化，并发现该模型能够成功预测其从未遇到的设置组合下的结果。在此测试中，他们的方法比那些试图为每个条件调整电路内部参数的旧技术更准确。这种新方法如此出色地捕捉到了问题的底层结构，以至于它在面对新情况时具有极强的泛化能力，且误差极小。
第二个更具挑战性的测试涉及居里-威斯模型（Curie-Weiss model），这是一个用于描述磁体随温度升高或降低而如何变化的著名系统。随着温度的变化，材料中的磁自旋会发生剧烈的转变，从无序状态转变为有序状态。这种转变在建模方面是出了名的困难，因为概率分布的形状会发生根本性的变化。研究人员训练了一个包含十六个量子比特的单一量子模型，以处理这一整个温度范围。结果令人瞩目：该模型准确地捕捉到了从单峰概率分布到双峰分布的转变，这种行为代表了材料的物理转变。当他们将结果与经典生成模型进行比较时，量子方法表现得与拥有七倍可调参数的经典模型一样出色。更令人印象深刻的是，该模型对物理规律的学习如此透彻，以至于它能够预测在训练期间从未展示过的温度下的系统行为。
该团队并未止步于小规模模拟。他们将该方法推向了极限，训练了高达两千零四十八个量子比特的模型。在这种规模下，通过经典计算机进行直接模拟以核对答案是不可能的。然而，由于控制该特定系统的物理定律是广为人知的，研究人员可以计算出磁性的预期行为，并将其与模型的输出进行对比。他们发现，该模型成功学习了低温相的长程有序性，并且能够将这种行为外推至远超训练规模的大小。这证明了该方法具有良好的扩展性，即使在系统增长到经典验证无法实现的规模时，仍能保持学习复杂模式的能力。
这项研究还强调了如何对条件进行编码的重要性。他们测试了准备初始状态的不同方式，并发现一种更高级的准备方法（涉及以特定方式“扭转”量子态）比简单的处理方式效果要好得多。这表明，向量子计算机输入信息的方式与学习算法本身同样关键。通过精心设计输入，他们可以在模型中引入物理对称性，从而确保模型遵循其试图模拟的系统的基本定律。
最终，这项工作拓展了量子机器学习的边界。它表明，我们无需等待完美、无误差的量子计算机出现即可开始训练复杂的模型。通过利用经典计算机学习模式，并仅在生成最终数据时使用量子计算机，研究人员现在可以处理涉及“条件生成”（即输出取决于特定输入变量）的问题。这为模拟各种条件下的物理系统（从不同温度到不同外部场）打开了大门，且只需使用一个共享的量子电路。这种通过经典方式训练模型并在量子硬件上部署的方法，代表了使量子生成模型在现实世界科学发现中变得实用的重要一步。
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。