量子机器学习在 32 个量子比特下实现贝叶斯推断

量子机器学习在 32 个量子比特下实现贝叶斯推断

Quantum Machine Learning Achieves Bayesian Inference with 32 Qubits

https://quantumzeitgeist.com/quantum-machine-learning-qubits-achieves-bayesian-inference/

量子机器学习承诺将彻底改变数据分析，但要实现其潜力需要克服资源管理和优化方面的挑战。Theodoros Ilias、Fangjun Hu 和 Marti Vives 都来自普林斯顿大学电气与计算机工程系，他们与 Hakan E. Türeci 一起，提出了一种新的端到端优化策略，直接解决在现实测量约束下的性能问题。他们的方法在32个量子比特上进行的贝叶斯计量任务中进行了测试，实现了接近基本贝叶斯极限的单次测量风险，展示了向实用量子推断迈出的重要一步。重要的是，该团队将此框架扩展到参数估计之外，以解决更复杂的全局函数推断问题，揭示了直接函数推断的明显优势，并建立了一个新的度量标准，可解析表达能力（Resolvable Expressive Capacity），以量化单次测量中可访问的函数。这项工作识别了对噪声具有鲁棒性的特征组合，为资源有限和实时应用提供了紧凑且准确的估计器铺平了道路。

严格的方法和理论论证

这项工作详细介绍了一种严格的量子传感方法，展示了一种合理的方法论，并为整个过程提供了理论基础。研究采用了基于高斯过程的DIRECT-like优化算法，以找到量子电路和经典估计器的最佳参数，有效地解决了一个具有挑战性的高维、非凸和噪声优化问题。这种方法的一个关键要素是对信号进行傅里叶级数分解，这允许有效地估计信号梯度并简化优化过程。团队利用高斯-厄米特求积法对参数空间进行初步探索，提供了一种计算效率高的方法来获得良好的初始估计并加速整体优化。收敛图展示了算法的成功收敛，并验证了该方法的有效性。

量子机器学习的有限资源优化

科学家们为量子机器学习开发了一种端到端的优化策略，直接解决了有限测量资源所施加的性能限制。这种创新方法超越了传统方法，通过共同优化估计器、训练和推理过程来适应固定的采样预算。在贝叶斯量子计量任务中实施这一策略，团队在使用32个量子比特的情况下，实现了单次测量风险仅比-20 dB贝叶斯极限高出1 dB，展示了在现实条件下的显著改进。通过特征任务分析，团队识别出对噪声具有鲁棒性的特征组合，这些组合产生了具有提高准确性和降低优化成本的紧凑估计器，特别是在资源有限的环境中特别有价值。

高效的量子估计达到贝叶斯极限

通过开发一种直接针对现实测量约束下性能的端到端优化策略，量子传感领域取得了突破。专注于贝叶斯量子计量并将其扩展到全局函数推断，团队的方法在使用32个量子比特时达到了-19.1 dB的贝叶斯风险，接近最优贝叶斯传感器可达到的-20 dB极限。研究引入了一种具有采样意识的混合算法，能够实现单次测量风险仅比-20 dB贝叶斯极限高出1 dB，这意味着可以以最小的数据采集进行准确测量。此外，当比较为直接函数推断优化的量子传感器与为参数估计后进行经典后处理优化的传感器时，团队展示了统计上显著的1.8 dB改进。

原文链接：https://quantumzeitgeist.com/quantum-machine-learning-qubits-achieves-bayesian-inference/