物理学家应用量子机器学习首次解决实际问题

虽然没有人怀疑物理学在量子计算中发挥的核心作用，但基于后者的技术从未以有意义的方式成功应用于前者。

现在，加利福尼亚理工学院和南加州大学(SUC)的研究人员设法编程了量子退火炉 - 一种只能运行优化任务的量子计算机 - 对容易出错的测量数据进行分类，从而产生有关希格斯粒子的有意义信息。

新技术有朝一日可以取代通常用于在单个数据集中寻找模式的神经网络，这些模型缺乏关于此类分类标准的任何信息，通常难以解释。

另一方面，使用更有利于人类(即启发式)认知的技术可以获得更好的可解释性，但效率更低，错误的可能性更高。

根据南加州大学物理系毕业生和该论文的共同作者Joshua Job的说法，新的量子计划是“一种简单的机器学习模型，可以获得与更复杂的模型相媲美的结果而不会失去稳健性或可解释性”。

与现有技术不同，在现有技术中，分类的准确性取决于训练集的大小和质量(特定数据集的手动排序部分)，新方法不太复杂，只需很少的训练数据，甚至可能更快。

令人惊讶的是，这是通过包括激发态(次优解决方案)来实现的。“为什么会这样，我们只能推测。但有一个原因可能是我们必须解决的实际问题在量子退火炉上无法精确表示。因此，次优解决方案可能更接近事实，“USC Daniel Lidar的工程学教授也参与了这项研究。

虽然目前可用的量子退火炉还有很多不足之处，但研究团队已经在寻找粒子物理学之外的潜在应用。研究概念的作者Maria Spiropulu总结道：“在这个新兴的科学和技术跨学科领域，有许多令人兴奋的工作和发现。”