在量子计算机上运行的卷积神经网络(CNN)因其有比经典计算机能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伸缩性严格证明克服了阿喀琉斯之踵。

近日发表的题为““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：“你构建量子神经网络的方式可能会导致一个贫瘠的高原，但也可能不会。”Cerezo是洛斯阿拉莫斯国家实验室的一名物理学家，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，并与池化层交错，在保持数据集重要特征的同时降低了数据的维度。

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全部潜力并展示其优于经典计算机的关键。

Cerezo说，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，但他们缺乏如何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在实际上如何不受贫瘠高原的影响。

洛斯阿拉莫斯的量子物理学家和论文的合著者Patrick Coles说：“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，”

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，将会出现更多的量子人工智能算法应用程序，所有机器学习程序都需要大量的数据。

避免消失的梯度

Cerezo说：“如果你面临一个贫瘠的高原，量子加速或优势的所有希望都会消失。”

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了它的可训练性。

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了鲁棒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。

Cerezo说：“量子机器学习领域还很年轻。在激光被首次发现时，有一句关于激光的名言，说激光是寻找问题的一种解决方案。现在激光已被广泛使用。同样，我们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开始。”

例如，Cerezo说，研究的重点是将陶瓷材料作为高温超导体，这可以改善磁悬浮列车等的无摩擦运输。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。

使用可伸缩的量子神经网络，量子计算机可以筛选关于给定材料的各种态的大量数据集，并将这些状态与相进行关联，以确定高温超导的最佳状态。（编译:Qtech）