量子機器學(xué)習(xí)在 32 個量子比特下實現(xiàn)貝葉斯推斷

量子機器學(xué)習(xí)在 32 個量子比特下實現(xiàn)貝葉斯推斷

Quantum Machine Learning Achieves Bayesian Inference with 32 Qubits

https://quantumzeitgeist.com/quantum-machine-learning-qubits-achieves-bayesian-inference/

量子機器學(xué)習(xí)承諾將徹底改變數(shù)據(jù)分析，但要實現(xiàn)其潛力需要克服資源管理和優(yōu)化方面的挑戰(zhàn)。Theodoros Ilias、Fangjun Hu 和 Marti Vives 都來自普林斯頓大學(xué)電氣與計算機工程系，他們與 Hakan E. Türeci 一起，提出了一種新的端到端優(yōu)化策略，直接解決在現(xiàn)實測量約束下的性能問題。他們的方法在32個量子比特上進行的貝葉斯計量任務(wù)中進行了測試，實現(xiàn)了接近基本貝葉斯極限的單次測量風(fēng)險，展示了向?qū)嵱昧孔油茢噙~出的重要一步。重要的是，該團隊將此框架擴展到參數(shù)估計之外，以解決更復(fù)雜的全局函數(shù)推斷問題，揭示了直接函數(shù)推斷的明顯優(yōu)勢，并建立了一個新的度量標準，可解析表達能力（Resolvable Expressive Capacity），以量化單次測量中可訪問的函數(shù)。這項工作識別了對噪聲具有魯棒性的特征組合，為資源有限和實時應(yīng)用提供了緊湊且準確的估計器鋪平了道路。

嚴格的方法和理論論證

這項工作詳細介紹了一種嚴格的量子傳感方法，展示了一種合理的方法論，并為整個過程提供了理論基礎(chǔ)。研究采用了基于高斯過程的DIRECT-like優(yōu)化算法，以找到量子電路和經(jīng)典估計器的最佳參數(shù)，有效地解決了一個具有挑戰(zhàn)性的高維、非凸和噪聲優(yōu)化問題。這種方法的一個關(guān)鍵要素是對信號進行傅里葉級數(shù)分解，這允許有效地估計信號梯度并簡化優(yōu)化過程。團隊利用高斯-厄米特求積法對參數(shù)空間進行初步探索，提供了一種計算效率高的方法來獲得良好的初始估計并加速整體優(yōu)化。收斂圖展示了算法的成功收斂，并驗證了該方法的有效性。

量子機器學(xué)習(xí)的有限資源優(yōu)化

科學(xué)家們?yōu)榱孔訖C器學(xué)習(xí)開發(fā)了一種端到端的優(yōu)化策略，直接解決了有限測量資源所施加的性能限制。這種創(chuàng)新方法超越了傳統(tǒng)方法，通過共同優(yōu)化估計器、訓(xùn)練和推理過程來適應(yīng)固定的采樣預(yù)算。在貝葉斯量子計量任務(wù)中實施這一策略，團隊在使用32個量子比特的情況下，實現(xiàn)了單次測量風(fēng)險僅比-20 dB貝葉斯極限高出1 dB，展示了在現(xiàn)實條件下的顯著改進。通過特征任務(wù)分析，團隊識別出對噪聲具有魯棒性的特征組合，這些組合產(chǎn)生了具有提高準確性和降低優(yōu)化成本的緊湊估計器，特別是在資源有限的環(huán)境中特別有價值。

高效的量子估計達到貝葉斯極限

通過開發(fā)一種直接針對現(xiàn)實測量約束下性能的端到端優(yōu)化策略，量子傳感領(lǐng)域取得了突破。專注于貝葉斯量子計量并將其擴展到全局函數(shù)推斷，團隊的方法在使用32個量子比特時達到了-19.1 dB的貝葉斯風(fēng)險，接近最優(yōu)貝葉斯傳感器可達到的-20 dB極限。研究引入了一種具有采樣意識的混合算法，能夠?qū)崿F(xiàn)單次測量風(fēng)險僅比-20 dB貝葉斯極限高出1 dB，這意味著可以以最小的數(shù)據(jù)采集進行準確測量。此外，當(dāng)比較為直接函數(shù)推斷優(yōu)化的量子傳感器與為參數(shù)估計后進行經(jīng)典后處理優(yōu)化的傳感器時，團隊展示了統(tǒng)計上顯著的1.8 dB改進。

原文鏈接：https://quantumzeitgeist.com/quantum-machine-learning-qubits-achieves-bayesian-inference/