一個研究小組證明，超參數化提高了量子機器學習的性能，這種技術超越了經典計算機的能力。他們的研究為優化量子神經網絡的訓練過程提供了見解，從而提高了實際量子應用的性能。2021 年，加西亞-馬丁作為馬德里自治大學的一名研究生參加了該實驗室的量子計算暑期學校，從事這項研究。機器學習或人工智能通常涉及訓練神經網絡來處理信息（數據），並學習如何解決給定的任務。

洛斯阿拉莫斯國家實驗室博士後研究員迭戈-加西亞-馬丁（Diego Garcia-Martin）說：”我們相信，我們的研究成果將有助於利用機器學習來學習量子數據的屬性，例如在量子材料研究中對不同物相進行分類，而這在經典計算機上是非常困難的。他是洛斯阿拉莫斯團隊在《自然-計算科學》（Nature Computational Science）上發表的一篇關於該技術的新論文的共同作者之一。

簡而言之，我們可以把神經網絡想像成一個帶有旋鈕或參數的盒子，它將數據作為輸入，並根據旋鈕的配置產生輸出。

加西亞-馬丁說：”在訓練階段，算法會隨著學習更新這些參數，試圖找到最佳設置。一旦確定了最佳參數，神經網絡就能夠將它從訓練實例中學到的知識外推到新的和以前未見過的數據點上。”

在訓練參數時，經典人工智能和量子人工智能都面臨著共同的挑戰，因為算法在訓練過程中可能會達到次優配置，從而停滯不前。

性能飛躍

超參數化是經典機器學習中的一個著名概念，它可以增加越來越多的參數，從而避免停滯。

直到現在，人們對超參數化在量子機器學習模型中的影響還知之甚少。在這篇新論文中，洛斯阿拉莫斯團隊建立了一個理論框架，用於預測量子機器學習模型變得過度參數化的臨界參數數。在某個臨界點，增加參數會促使網絡性能飛躍，模型也會變得更容易訓練。

“通過建立量子神經網絡超參數化的基礎理論，我們的研究為優化訓練過程和提高實際量子應用的性能鋪平了道路，”手稿第一作者、洛斯阿拉莫斯大學博士後研究員馬丁-拉羅卡（Martin Larocca）解釋說。

通過利用糾纏和疊加等量子力學方面的優勢，量子機器學習有望實現比經典計算機上的機器學習更快的速度或量子優勢。

避免機器學習中的陷阱

為了說明洛斯阿拉莫斯團隊的研究成果，論文的資深科學家、實驗室的量子理論家馬可-塞雷佐（Marco Cerezo）描述了一個思想實驗：在這個實驗中，一個遠足者在一片黑暗的風景中尋找最高的山峰，這就是訓練過程。徒步旅行者只能朝特定方向前進，並通過使用有限的全球定位系統測量海拔高度來評估他們的進展。

在這個比喻中，模型中參數的數量與遠足者可移動的方向相對應，Cerezo 說。他說：”一個參數允許前後移動，兩個參數允許橫向移動，以此類推。與我們假設的徒步旅行者的世界不同，數據景觀可能不止三個維度。”

如果參數太少，徒步旅行者就無法進行徹底的探索，可能會把一座小山誤認為是最高的山峰，或者被困在一個平坦的區域，邁出任何一步似乎都是徒勞。然而，隨著參數數量的增加，行走者可以在更高的維度上向更多的方向移動。最初看似局部的山丘可能會變成山峰之間的高谷。有了更多的參數，徒步者就能避免被困，找到真正的山峰或問題的解決方案。