量子纠缠如何简化量子机器学习的扩展

　　机器学习在量子计算中的应用领域在新的研究中得到了推动，该研究消除了量子神经网络实际实施的潜在障碍。尽管理论家目前认为训练这样一个网络需要一个指数级的大数据集，但洛斯阿拉莫斯国家实验室开发的量子无免费午餐定理 (NFL) 表明，量子纠缠消除了这种指数级开销。

　　“我们的工作证明，大数据和大纠缠对于量子机器学习都很重要。此外，纠缠带来了可扩展性，为我们节省了成倍增加训练所需数据大小的复杂性。” Andrew Sornborger 说，他是实验室的计算机科学家，也是 2 月 18 日发表在《物理评论快报》上的一篇论文的合著者。“这个定理给了我们希望，量子神经网络正在加速量子计算的道路上，它们最终将超越在我们习惯的计算机上运行的当前替代方案。”

　　经典的 No-Free-Lunch Theorem 指出，任何机器学习算法在将数据与标签相关联的所有可能函数的性能进行平均时，不会比任何其他算法更差或更好。该定理的直接结果是证明数据影响经典机器学习的力量，即我们拥有的数据越多，平均效率就越高。因此，机器学习中的数据是一种货币，实际上限制了其算法的有效性。

　　由洛斯阿拉莫斯实验室开发的新的无免费午餐定理表明，在量子条件下，纠缠也可以作为一种货币，可以交换数据，从而减少对它们的需求。

　　使用 Rigetti 量子计算机测试一个新定理，该团队实现了量子数据集与参考系统的纠缠。

　　“我们已经在量子硬件上证明了我们绝对可以用纠缠打破标准的无免费午餐定理。同时，我们的新配方在实验过程中得到了证实。” ——文章的作者之一库纳尔·夏尔马说。

　　“我们的定理表明，纠缠以及大数据应该被视为量子机器学习的宝贵资源。帕特里克科尔斯说，他是洛斯阿拉莫斯实验室的物理学家，也是该论文的主要作者。“经典的神经网络只依赖于大数据。”