量子科技中心_量科网

量子机器学习（QML）旨在通过利用量子计算来加速机器学习任务。此前的研究提出了一种QML算法，用于从大型浅层神经网络中筛选稀疏子网络。该算法并非直接求解大规模网络上的优化问题，而是通过从基于脊波变换定义的优化概率分布中采样隐藏节点，来构建稀疏子网络。该量子算法在数据维度$O(D)$在数据维度$D$上实现采样，而朴素的经典实现需要处理指数级数量的候选节点，因此需要$\exp[O(D)]$的时间。在本工作中，该团队构建并分析了一种受量子启发的全经典算法，用于完成相同的采样任务。该团队证明，该算法在$O(\operatorname{poly}(D))$时间内运行，从而消除了此前经典方法对$D$的指数依赖。数值模拟表明，所表明，提出的采样器在经验风险上能够与从优化分布中精确采样相媲美，且远低于从非优化均匀分布中采样，同时具有相比传统经典实现指数级提升的运行时间缩放性能。这些成功的去量子化结果表明，通过优化采样实现稀疏子网络选择可以在传统计算机上以多项式数据维度缩放的方式经典实现，无需量子硬件，为现有量子算法提供了一种替代方案。