量子科技中心_量科网

神经网络（NN）的训练已成为消耗计算资源和能源的主要领域之一。该研究团队证实，利用D-Wave等量子退火平台可实现经典神经网络的快速高效训练，训练后的网络可部署于传统硬件。从物理学视角看，神经网络训练可视为动态相变过程：系统从初始的自旋玻璃态演化至高度有序的“训练完成态”。这一过程需要消除能量景观中的大量不良极小值——犹如斩断不断重生的九头蛇首级。量子退火设备的优势在于能快速定位多个深层状态（待斩断的蛇首）。研究发现，相比经典反向传播法，这种量子辅助训练的性能扩展性更优，其扩展指数显著更高（1.01对0.78）。若采用基于Grover算法变体的全相干量子平台，该优势可进一步提升至两倍。研究还指出，即使采用中等规模的退火器，通过逐层顺序训练的方式仍可有效训练深度神经网络。