物理學家應用量子機器學習首次解決實際問題

雖然沒有人懷疑物理學在量子計算中發揮的核心作用，但基于后者的技術從未以有意義的方式成功應用于前者。

現在，加利福尼亞理工學院和南加州大學(SUC)的研究人員設法編程了量子退火爐 - 一種只能運行優化任務的量子計算機 - 對容易出錯的測量數據進行分類，從而產生有關希格斯粒子的有意義信息。

新技術有朝一日可以取代通常用于在單個數據集中尋找模式的神經網絡，這些模型缺乏關于此類分類標準的任何信息，通常難以解釋。

另一方面，使用更有利于人類(即啟發式)認知的技術可以獲得更好的可解釋性，但效率更低，錯誤的可能性更高。

根據南加州大學物理系畢業生和該論文的共同作者Joshua Job的說法，新的量子計劃是“一種簡單的機器學習模型，可以獲得與更復雜的模型相媲美的結果而不會失去穩健性或可解釋性”。

與現有技術不同，在現有技術中，分類的準確性取決于訓練集的大小和質量(特定數據集的手動排序部分)，新方法不太復雜，只需很少的訓練數據，甚至可能更快。

令人驚訝的是，這是通過包括激發態(次優解決方案)來實現的。“為什么會這樣，我們只能推測。但有一個原因可能是我們必須解決的實際問題在量子退火爐上無法精確表示。因此，次優解決方案可能更接近事實，“USC Daniel Lidar的工程學教授也參與了這項研究。

雖然目前可用的量子退火爐還有很多不足之處，但研究團隊已經在尋找粒子物理學之外的潛在應用。研究概念的作者Maria Spiropulu總結道：“在這個新興的科學和技術跨學科領域，有許多令人興奮的工作和發現。”