在量子计算机上运行的卷积神经网络因其比经典计算机更好地分析量子数据的潜力而引起了轰动。虽然被称为“贫瘠高原”的基本可解性问题限制了这些神经网络在大型数据集上的应用，但新的研究通过保证可扩展性的严格证明克服了阿喀琉斯之踵。

可以保证某些量子卷积网络得到训练的新证据为量子人工智能帮助材料发现和许多其他应用扫清了道路。图片来源：洛斯阿拉莫斯国家实验室

“你构建量子神经网络的方式可能会导致一个贫瘠的高原——也可能不会，”洛斯阿拉莫斯国家实验室发表的题为“量子卷积神经网络中不存在贫瘠高原”的论文的合著者 Marco Cerezo 说。

Cerezo 是洛斯阿拉莫斯的一名物理学家，专门研究量子计算、量子机器学习和量子信息。

他说：“我们证明了一种特殊类型的量子神经网络不存在贫瘠的高原。我们的工作为这种架构提供了可训练性保证，这意味着人们可以通用地训练其参数。”

作为一种人工智能(AI) 方法，量子卷积神经网络受到视觉皮层的启发。因此，它们涉及一系列卷积层或过滤器，与池化层交错，在保持数据集的重要特征的同时降低数据的维度。

这些神经网络可用于解决一系列问题，从图像识别到材料发现。克服贫瘠的高原是挖掘量子计算机在人工智能应用中的全部潜力并展示其优于经典计算机的关键。

到目前为止，量子机器学习的研究人员分析了如何减轻贫瘠高原的影响，但他们缺乏完全避免它的理论基础。洛斯阿拉莫斯的工作展示了一些量子神经网络实际上如何不受贫瘠高原的影响。

“有了这个保证，研究人员现在将能够筛选关于量子系统的量子计算机数据，并将这些信息用于研究材料特性或发现新材料等应用，”洛斯阿拉莫斯的量子物理学家帕特里克科尔斯说。

Coles 认为，随着研究人员更频繁地使用近期量子计算机并生成越来越多的数据，将会出现更多量子人工智能算法的应用程序——所有机器学习程序都需要大量数据。

“如果你有一个贫瘠的高原，量子加速或优势的所有希望都会消失，”Cerezo 说。

问题的关键是优化领域中的“消失梯度”。景观由丘陵和山谷组成，目标是通过探索景观的地理来训练模型的参数以找到解决方案。可以这么说，解决方案通常位于最低谷的底部。但是在平坦的景观中，无法训练参数，因为很难确定要采取哪个方向。

当数据特征的数量增加时，这个问题变得特别重要。事实上，景观随着特征尺寸变得呈指数平坦。因此，在存在贫瘠高原的情况下，量子神经网络无法扩大规模。

洛斯阿拉莫斯团队开发了一种新颖的图形方法，用于分析量子神经网络中的缩放并证明其可训练性。

40 多年来，物理学家一直认为量子计算机将被证明可用于模拟和理解粒子的量子系统，这会扼杀传统的经典计算机。洛斯阿拉莫斯研究证明稳健的量子卷积神经网络类型有望在分析量子模拟数据方面具有有用的应用。

“量子机器学习领域还很年轻，”科尔斯说：“关于激光有一句名言，当它们第一次被发现时，它说它们是寻找问题的解决方案。现在到处都在使用激光。同样，我们中的许多人怀疑量子数据将变得高度可用，然后量子机器学习将会起飞。”

例如，研究重点是陶瓷材料作为高温超导体，这可以改善无摩擦运输，例如磁悬浮列车。但是，分析材料中受温度、压力和杂质影响的大量相的数据，并对相进行分类是一项超出经典计算机能力的艰巨任务。

使用可扩展的量子神经网络，量子计算机可以筛选关于给定材料的各种状态的大量数据集，并将这些状态与相相关联，以确定高温超导的最佳状态。