物理学家发现经典机器学习与量子物理学习相同之处

据物理组织网（https://phys.org/）报道，物理学家发现特定类型的量子学习算法结构与对应的经典算法十分类似。这一发现能够帮助科学家进一步开发学习算法的量子版本。经典机器学习算法目前用于执行复杂的计算任务，例如对大量数据进行模式识别或分类。这类算法也是许多现代技术的关键构成部分。量子学习算法旨在让这些功能可以应用于信息以全量子形式展现的场景中。

这一研究成果的论文发表在最近一期的《物理评论快报》（Physical Review Letters）上。

“我们的工作在非常基本的层面揭示了一大类量子学习算法的结构。”研究人员告诉物理组织网，“我们的研究表明，最佳量子方案中涉及的可能十分复杂的运算可以用简单得多的运算方案替代。这种方案类似于经典算法中使用的方案，而且在替代过程中不会造成性能损失。该发现有助于确定量子学习算法的最终能力，为将统计学习的关键结果应用于量子场景打开了大门。”

研究人员将研究重点放在“归纳式监督学习”这种特定机器学习类型上。在研究中，他们给算法提供了训练实例。算法从这些实例中提取一般性规则，然后将规则应用于各种测试（或问题）实例，这些都是训练算法要解决的实际问题。科学家表示，经典归纳式监督学习算法和量子归纳式监督学习算法都必须具有这两个完全不同且独立的阶段（即训练阶段和测试阶段）。在经典方案中，这一结果是经典信息特性的普通展现。物理学家表示，在量子方案中，这是量子不可克隆定理导致的结果。根据量子不可克隆定理，不可能精确复制量子态。

通过揭示这种相似性，这一新发现针对量子场景概括了经典统计学习理论中的一些核心概念。本质上来说，这种概括在不损失性能的情况下将复杂方案简化为简单方案，让方案的开发和实施都变得更轻松。例如，一个潜在好处是能够在训练阶段和测试阶段之间获取学习算法的状态。基于这些发现，研究人员希望未来的工作能够形成有关量子统计学习中风险边界的全量子理论。

“使用示例系统训练归纳式监督量子学习算法后，这种算法就可以自动化、自适应的方式对对量子系统中存储的信息进行分类。”研究人员表示，“它们可能对信息是以量子形态被自然发现的所有场景都有用，且可能成为未来量子信息处理协议的一部分。我们的发现有助于针对量子机制最可实现的性能设计这些算法并确定相关基准。”