Which data samples matter when training a quantum model?
本文引入了一种名为量子兼容 V-可用信息的以数据为中心的度量标准，用于识别哪些数据样本对于训练量子机器学习模型最为关键，从而实现能够显著提高训练数据效率的有针对性的预选策略。
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
在量子机器学习这一新兴领域，科学家们正在构建运行在量子处理器上的计算机程序，这些处理器利用亚原子世界的奇特规则来处理信息。这些程序旨在识别模式并做出预测，就像如今智能手机中的人工智能系统一样，但它们具有解决目前标准计算机无法处理的问题的潜力。然而，一个持久的谜团一直笼罩着这些量子模型：尽管研究人员多年来一直在研究这些模型本身有多强大，但却很少关注输入给它们的数据。正如一名学生根据阅读的是清晰的教科书还是混乱的教材而学习方式不同一样，量子模型的成功也高度依赖于它所学习的具体示例。一个重大的问题一直是，是否某些数据点本身就比其他数据点更有价值，以及我们是否能够识别出那些对教导这些机器最有帮助的示例，从而提高教学效率。
一个研究小组现在通过开发一种衡量量子模型能从数据集中提取多少有用信息的新方法，回答了这个问题。他们不再孤立地观察模型，而是将焦点转向模型与数据之间的关系。他们创建了一个类似于诊断工具的指标，用于量化特定的量子架构从特定示例集学习的效果。这种方法揭示了并非所有数据点都是平等的。有些示例非常清晰，模型能瞬间学会；而另一些则非常混乱或自相矛盾，甚至会阻碍学习过程。通过测量每个独立训练样本中的“可用信息”，研究人员可以观察到哪些示例驱动了模型的成功，而哪些仅仅是噪声。
为了使这种测量法奏效，该团队必须解决量子计算中固有的一个独特问题。在经典计算中，为了了解模型从数据中学到了多少，科学家会比较模型在有输入和没有任何输入时的表现。在量子世界中，简单地关闭数据输入并不直观，因为机器的内部状态非常脆弱，极易受到影响。研究人员测试了几种创建“空白状态”输入的方法——即一种不携带任何任务信息，但仍符合机器物理约束的状态。他们发现，将量子系统准备在一种等叠加态（即每种可能的结果出现的概率都相等）中，可以作为最佳的中性基准。这使得他们能够准确测量一旦引入真实数据后，模型所实现的确定性下降程度，从而为模型实际学到了多少提供一个清晰的分数。
利用这个新的评分系统，该团队观察了量子模型如何随时间进行学习。他们观察模型在设计用于分类不同物质相（一种粒子协同运动的复杂物理状态）的数据集上进行训练的过程。结果显示，模型并没有一次性学会整个数据集。相反，它们迅速掌握了简单的示例，而在不同相之间的边界附近，则在处理困难示例时表现挣扎。该指标揭示了模型的泛化能力——即将其所学知识应用于新的、未见数据的能力——直接取决于它从训练集中提取了多少有用信息。当迫使模型从最具信息量的示例中学习时，其性能得到了显著提升。
这项发现最实际的应用是开发一种更高效训练这些模型的新策略。传统上，研究人员会在大规模数据集上训练量子模型，这是一个缓慢且耗费资源的过程。该团队证明，通过使用他们的信息指标来筛选出最有价值的数据点，他们可以在仅使用原始数据极小部分的情况下进行训练，且不会损失准确性。在一次实验中，他们减少了80%的训练数据，仅保留了最具信息量的前20%的样本。使用这个精选出的微小子集进行训练的模型，其表现与使用完整数据集进行训练的模型一样出色。这一发现表明，未来我们可能不需要向量子计算机喂入所有可用的示例；相反，我们可以给它们提供一小撮精心挑选的最佳教训，从而节省大量的计算时间和算力。
研究人员在包括合成数据和复杂量子态在内的多种不同类型问题上验证了这种方法，确认了该方法具有一致的有效性。他们还展示了该诊断工具可以应用于非常大的系统，模拟了一个拥有50个量子比特的模型，这种规模是传统方法难以研究的。虽然目前的工作基于模拟，但它为使量子机器学习变得更加实用提供了具体的路径。通过理解哪些数据至关重要，科学家可以更快地构建更好的模型，将量子计算的承诺转化为既强大又高效的现实。
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。