证明了一个定理将量子AI学习的希尔伯特空间简化为几个点
对于人工智能机器学习来说，超越摩尔定律团队的这一突破，其意义可能与曼哈顿计划团队的突破相提并论，后者找到了制造原子弹的方法。
令人惊讶的是，这两项突破都是相隔 80 年在美国同一个洛斯阿拉莫斯国家实验室取得的——这是伟人万尼瓦·布什和罗伯特·奥本海默的心血结晶。
但更令我惊讶的是，与原子弹一样，只有少数理论家的创造性天才才有可能取得突破，他们不是在对撞机等昂贵的设备上发现的，而是在笔尖上发现的- 这一次，证明了 4 个新定理。
- 现代人工智能 (AI) 系统的机器学习 (ML) 需要大量数据。训练模型时需要巨大的计算能力来处理它们。
- 在计算能力增长的路上，摩尔定律，开发者希望通过切换到量子计算机和量子机器学习来克服。
- 对于量子机器学习过程，参数或变量的数量将由称为希尔伯特空间的数学结构的大小决定，当在大量量子比特（量子比特或量子比特是基本量子计算的计算单元，类似于经典计算中的位）。希尔伯特空间的这种大小使得量子 MO 几乎无法计算。
- 到目前为止，假设仅 30 个量子比特的希尔伯特空间将包含十亿个状态。然后当训练模型在这个空间中搜索时，将需要十亿个数据点。
这就是突破。根据洛斯阿拉莫斯实验室的理论家证明的 4 个定理，可以得出：
使用量子 ML，您无需遍历整个希尔伯特空间，而只需遍历模型中参数的数量即可。
对于许多模型，参数的数量大约等于量子比特的数量——即 具有 30 个量子位的量子计算机只需要大约 30 个数据点。
这一突破的意义是巨大的。即使对于模仿量子人工智能模型的经典算法，它也能保证效率。在这种情况下，可以在经典计算机上计算训练数据和模型编译（这简化了过程）。然后 MO 模型在量子计算机上运行。
在运行有意义的量子模拟时，这显着降低了量子计算机在噪声和错误方面的性能要求。
由此可见，我们越来越接近量子优越性的实际实现。
