證明了一個定理將量子AI學習的希爾伯特空間簡化為幾個點
對於人工智慧機器學習來說，超越摩爾定律團隊的這一突破，其意義可能與曼哈頓計劃團隊的突破相提並論，後者找到了製造原子彈的方法。
令人驚訝的是，這兩項突破都是相隔 80 年在美國同一個洛斯阿拉莫斯國家實驗室取得的——這是偉人萬尼瓦·布希和羅伯特·奧本海默的心血結晶。
但更令我驚訝的是，與原子彈一樣，只有少數理論家的創造性天才才有可能取得突破，他們不是在對撞機等昂貴的設備上發現的，而是在筆尖上發現的- 這一次，證明了 4 個新定理。
- 現代人工智慧 (AI) 系統的機器學習 (ML) 需要大量數據。訓練模型時需要巨大的計算能力來處理它們。
- 在計算能力增長的路上，摩爾定律，開發者希望通過切換到量子計算機和量子機器學習來克服。
- 對於量子機器學習過程，參數或變數的數量將由稱為希爾伯特空間的數學結構的大小決定，當在大量量子比特（量子比特或量子比特是基本量子計算的計算單元，類似於經典計算中的位）。希爾伯特空間的這種大小使得量子 MO 幾乎無法計算。
- 到目前為止，假設僅 30 個量子比特的希爾伯特空間將包含十億個狀態。然後當訓練模型在這個空間中搜索時，將需要十億個數據點。
這就是突破。根據洛斯阿拉莫斯實驗室的理論家證明的 4 個定理，可以得出：
使用量子 ML，您無需遍歷整個希爾伯特空間，而只需遍歷模型中參數的數量即可。
對於許多模型，參數的數量大約等於量子比特的數量——即 具有 30 個量子位的量子計算機只需要大約 30 個數據點。
這一突破的意義是巨大的。即使對於模仿量子人工智慧模型的經典演算法，它也能保證效率。在這種情況下，可以在經典計算機上計算訓練數據和模型編譯（這簡化了過程）。然後 MO 模型在量子計算機上運行。
在運行有意義的量子模擬時，這顯著降低了量子計算機在雜訊和錯誤方面的性能要求。
由此可見，我們越來越接近量子優越性的實際實現。
