IT之家 11 月 22 日消息，據(jù)鴻?？萍技瘓F消息，鴻海研究院量子計算研究所謝明修所長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(lǐng)域長久以來所面對的貧瘠高原現(xiàn)象（Barren Plateaus）提出解決方案，借由適當?shù)慕o定可調(diào)變參數(shù)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(jīng)科學領(lǐng)域的學術(shù)會議：「神經(jīng)信息處理系統(tǒng)大會（NeurIPS 2022）」所接受，在全球超過一萬件的投稿中脫穎而出，于 11 月底進行發(fā)表。
IT之家了解到，貧瘠高原是指當量子計算機的比特數(shù)目較大時，當前量子神經(jīng)網(wǎng)絡(luò)的框架很容易變得無法有效進行訓練，其目標函數(shù)會變得很平，導致訓練過久或訓練失敗。
針對該研究成果，謝明修所長表示，提出貧瘠高原現(xiàn)象的解決方案，讓量子學習機器展現(xiàn)出的超越傳統(tǒng)機器的真正優(yōu)勢。結(jié)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(fā)上的研究成果，大大縮減了所需的量子資源。
談及貧瘠高原現(xiàn)象，謝明修所長進一步指出，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(diào)變參數(shù)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(jié)構(gòu)過深，使得參數(shù)更新困難。
謝明修所長表示，我們借由適當?shù)慕o定可調(diào)變參數(shù)初始值，改善了貧瘠高原現(xiàn)象解決了長久以來一直困擾著量子機器學習領(lǐng)域所面臨的問題，在該領(lǐng)域的研究得到了突破性進展。
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。