新定理证明量子人工智能的可扩展性

由于在量子计算机上运行卷积神经网络的潜在能力比经典计算机更有效，因此在量子计算机上运行卷积神经网络具有相当大的兴趣。然而，“贫瘠高原”的基本可解性问题迄今为止限制了这些神经网络在大型数据集上的应用。

“构建量子神经网络的方式可能导致一个贫瘠的高原，也可能不会，”洛斯阿拉莫斯的量子计算专家、该研究的合著者马可·塞雷佐(Marco Cerezo)博士解释说。“我们证明了一种特殊类型的量子神经网络不存在贫瘠高原。我们的工作为该体系结构提供了可训练性保证，这意味着可以对其参数进行一般训练。”

量子卷积神经网络受到视觉皮层的启发。它们包括一系列的“过滤器”，或卷积层，与池层交错，池层降低了数据的维数，同时保留了数据集的重要特征。这些神经网络可以应用于从图像识别到材料发现等一系列问题。

克服贫瘠的高原被认为是提取量子计算机全部潜力的关键:“如果你有一个贫瘠的高原，量子加速或优势的所有希望都将失去，”塞雷佐说。

障碍的关键是优化景观中的“消失的梯度”，否则就是由山丘和山谷组成的，最低点代表最优解决方案。在平坦的地形中，不可能训练参数，因为不能确定正确的方向。当数据特征的数量增加时，这变得尤其困难;景观随着特征的大小呈指数级地变得平坦。因此，在贫瘠的高原上，量子神经网络无法放大。

塞雷佐解释说，研究人员已经竭尽全力减轻贫瘠高原的限制，但缺乏规避的理论基础;他和他的同事所进行的工作表明，量子神经网络对贫瘠的高原有效免疫。

他们开发了一种新的图形方法来分析量子神经网络的缩放，并证明其可训练性。

研究人员所关注的这类量子卷积神经网络有望应用于分析量子模拟的数据。

例如，许多研究都集中在陶瓷材料作为高温超导体，但分析材料的许多相的数据以对它们进行分类超出了经典计算机的能力。使用可扩展的量子神经网络，量子计算机可以筛选关于给定材料的各种状态的大量数据集，并将这些状态与相关联，以确定高温超导的最佳状态。

“有了这一保证，研究人员现在将能够筛选量子计算机关于量子系统的数据，并利用这些信息研究材料性质或发现新材料，以及其他应用，”该论文的合著者、洛斯阿拉莫斯大学的量子物理学家帕特里克·科尔斯博士说。Cole说，随着量子计算机得到更广泛的应用，产生更多的训练数据，将会出现更多的应用。