量子科技中心_量科网

这篇文章提出了一个观点，即量子计算机可能为机器学习解锁新方法。该研究团队认为，光谱方法——特别是那些学习、正则化或以其他方式操纵机器学习模型傅里叶频谱的方法——通常天然适合量子计算机。例如，若生成式机器学习模型由量子态表示，量子傅里叶变换允许该团队利用全套量子程序工具来操纵该态的傅里叶频谱，而这在经典模型中通常是难以实现的。 与此同时，光谱方法对机器学习具有出人意料的基础性意义：近期有假说认为“光谱偏差”是深度学习成功背后的核心原理；数十年来已知支持向量机在傅里叶空间中进行正则化；而卷积神经网络则在图像的傅里叶空间中构建滤波器。那么，量子计算能否开辟根本上不同、更直接且资源效率更高的方式来设计模型的光谱特性？该工作在此详细探讨了这一潜力，希望推动量子机器学习研究将“为何需要量子？”这一问题置于首位。