財聯社8月16日訊（編輯 黃君芝）據報道，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“過參數化”的技術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,。
過參數化（Overparametrization）,，是人工智能機器學習中使用的一種技術,，通過引入比必要情況更多的參數或變量來提高模型的性能和訓練動態(tài),。在這種方法中,，模型中的參數數量被有意設置為遠大于可用訓練樣本或數據維度的數量。盡管參數多于所需數量是違反直覺的,，但人們發(fā)現過參數化在訓練復雜的機器學習模型方面具有多種好處,。
據悉，“過參數化”可以幫助模型適應數據中存在的變化和復雜性,，從而可能在出現新的,、未見過的數據時提高泛化性能。過參數化本質上為模型提供了更多的自由度來學習和表示數據中的潛在關系,。因此,，這一技術的主要優(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化的臨界參數數,。在某個臨界點上，增加參數會使網絡性能有一個飛躍,，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：“通過建立量子神經網絡中過參數化的理論,，我們的研究為優(yōu)化訓練過程和在實際量子應用中實現增強的性能鋪平了道路?！?/p>
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,，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,，模型中參數的數量對應于徒步旅行者可以移動的方向,。他們說,，“一個參數允許前后移動，兩個參數允許橫向移動,，等等,。與我們假設的徒步旅行者的世界不同，數據景觀可能有三個以上的維度,?！?/p>
但由于參數太少，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,，隨著參數數量的增加,，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,，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果對于使用機器學習來學習量子數據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,，這在經典計算機上非常困難?！?/p>
免責聲明：本文來自網絡收錄或投稿，觀點僅代表作者本人,，不代表芒果財經贊同其觀點或證實其描述,，版權歸原作者所有。轉載請注明出處：http://lequren.com/1066249.html
溫馨提示：投資有風險,，入市須謹慎,。本資訊不作為投資理財建議。
