近日，科學家提出量子神經網絡的新NFL定理(No-Free-Lunch theorem)，推動了量子計算機在機器學習領域的發展。
理論學家此前認為，一個量子神經網絡需要指數級增長的訓練算法集，但美國洛斯阿拉莫斯國家實驗室研究人員提出的量子NFL定理表明，量子糾纏可以消除這種指數級的增長。該研究成果發表在《實體評論快報》(Physical Review Letters)上。
圖檔來自《實體評論快報》(Physical Review Letters)
量子糾纏描述的是在原子尺度上的粒子系統的狀态，是量子計算的關鍵組成部分。
“我們的工作證明了大資料和量子糾纏在量子機器學習中均具有價值。（量子）糾纏可以帶來擴充性，進而解決了在學習算法時，以指數級增長的龐大資料問題。”美國洛斯阿拉莫斯國家實驗室計算機科學家Andrew Sornborger說道，“這個定理給了我們希望，量子神經網絡正朝着量子加速的目标前進，最終它們将超越現有的經典計算機功能。”
傳統的NFL定理指出，由于對所有可能函數的互相補償，最優化算法的性能是等價的。這個定理展示了資料在經典機器學習中的作用，這意味着資料越多，平均性能就越好。但在量子機器學習中，量子神經網絡的發展将受到指數級增長的龐大資料限制。
美國洛斯阿拉莫斯國家實驗室的新NFL定理表明，在量子體系中，量子糾纏可以用來交換資料以減少對資料量的需求。該團隊利用Rigetti量子計算機，将量子資料與參考系統糾纏在一起，以驗證新定理。
傳統NFL定理與量子NFL定理對比，圖檔來自論文
“我們在量子硬體上證明，通過使用量子糾纏，可以有效地違反标準的NFL定理。而我們對該定理的新公式在實驗測試中是成立的。”論文第一作者Kunal Sharma表示。
“新NFL定理表明，在量子機器學習中，量子糾纏和大資料都應該被視為具有價值的資源，”美國洛斯阿拉莫斯國家實驗室實體學家Patrick Coles說，“而傳統的神經網絡隻依賴于大資料。”