量子機器學習領域有新進展。鴻海研究院量子計算研究所所長謝明修和澳洲雪梨大學團隊，共同提出「Escaping from the Barren Plateau via Gaussian Initializations in Deep Variational Quantum Circuits」研究報告，針對該領域長久以來所面對的貧瘠高原現象（Barren Plateaus）提出解決方案，藉由適當的給定可調變參數初始值進行改善。
該研究成果已獲世界頂級機器學習，以及計算神經科學領域的學術會議「神經信息處理系統大會（NeurIPS 2022）」所接受，在全球超過一萬件的投稿中脫穎而出，於 11 月底進行發表。
談及貧瘠高原現象，謝明修解釋，一般來說，在量子機器學習的過程中，我們透過控制邏輯閘的可調變參數學習，來得到符合期望的量子電路模型，但是在學習的過程中，常因為邏輯閘過多且結構過深，使得參數更新困難。
為此，謝明修和澳洲雪梨大學團隊共同提出貧瘠高原現象的解決方案，以避免量子機器在學習的過程中，因為這個現象導致訓練過久或訓練失敗，進而讓量子學習機器展現出的超越傳統機器的真正優勢。
謝明修表示，藉由適當的給定可調變參數初始值，改善了貧瘠高原現象解決了長久以來一直困擾著量子機器學習領域所面臨的問題，在該領域的研究得到了突破性進展。不僅如此，結合該方案，量子計算研究所在今年鴻海科技日（HHTD22）展示量子模擬在電池開發上的研究成果，也大大縮減所需的量子資源。
（首圖來源：科技新報）
科技新報粉絲團
加入好友
訂閱免費電子報
