財聯(lián)社8月16日訊（編輯 黃君芝）據(jù)報道，美國洛斯阿拉莫斯國家實驗室（Los Alamos National Laboratory，簡稱LANL）的一項突破性理論證明表明，使用一種稱為“過參數(shù)化”的技術(shù)可以提高量子機器學習的性能，從而挑戰(zhàn)傳統(tǒng)計算機的任務。
過參數(shù)化（Overparametrization），是人工智能機器學習中使用的一種技術(shù)，通過引入比必要情況更多的參數(shù)或變量來提高模型的性能和訓練動態(tài)。在這種方法中，模型中的參數(shù)數(shù)量被有意設置為遠大于可用訓練樣本或數(shù)據(jù)維度的數(shù)量。盡管參數(shù)多于所需數(shù)量是違反直覺的，但人們發(fā)現(xiàn)過參數(shù)化在訓練復雜的機器學習模型方面具有多種好處。
據(jù)悉，“過參數(shù)化”可以幫助模型適應數(shù)據(jù)中存在的變化和復雜性，從而可能在出現(xiàn)新的、未見過的數(shù)據(jù)時提高泛化性能。過參數(shù)化本質(zhì)上為模型提供了更多的自由度來學習和表示數(shù)據(jù)中的潛在關系。因此，這一技術(shù)的主要優(yōu)點之一是它可以避免在優(yōu)化過程中陷入次優(yōu)解決方案。
不過，到目前為止，人們對量子機器學習模型中的“過參數(shù)化”還知之甚少。在最新研究中，LANL團隊建立了一個理論框架，用于預測量子機器學習模型過參數(shù)化的臨界參數(shù)數(shù)。在某個臨界點上，增加參數(shù)會使網(wǎng)絡性能有一個飛躍，模型變得明顯容易訓練。
該論文的主要作者、LANL的研究員Martin Larocca解釋說：“通過建立量子神經(jīng)網(wǎng)絡中過參數(shù)化的理論，我們的研究為優(yōu)化訓練過程和在實際量子應用中實現(xiàn)增強的性能鋪平了道路。”
最新研究成果已于近期發(fā)表在了《自然計算科學》雜志上。
為了更好地說明該團隊的發(fā)現(xiàn)，研究人員描述了一個思維實驗，在這個實驗中，一個徒步旅行者在黑暗的環(huán)境中尋找最高的山峰，代表了訓練過程。徒步旅行者只能朝著特定的方向前進，并通過使用有限的GPS系統(tǒng)測量高度來評估他們的進度。
在這個類比中，模型中參數(shù)的數(shù)量對應于徒步旅行者可以移動的方向。他們說，“一個參數(shù)允許前后移動，兩個參數(shù)允許橫向移動，等等。與我們假設的徒步旅行者的世界不同，數(shù)據(jù)景觀可能有三個以上的維度。”
但由于參數(shù)太少，步行者無法徹底探索，可能會把一座小山丘誤認為最高的山峰，或者被困在平坦的地區(qū)，任何一步都顯得徒勞無益。然而，隨著參數(shù)數(shù)量的增加，步行者可以在更高的維度上向更多的方向移動。有了額外的參數(shù)，徒步者就可以避免被困，找到真正的山峰或問題的解決方案。
該研究論文的合著者、LANL的研究員Diego Garcia-Martin說，“總而言之，我們相信我們的研究結(jié)果對于使用機器學習來學習量子數(shù)據(jù)的屬性將會非常有用，例如在量子材料研究中對不同相進行分類，這在經(jīng)典計算機上非常困難。”
（財聯(lián)社 黃君芝）
