机器学习是人工智能(AI)和计算机科学的一个分支，专注于使用数据和算法让计算机无需显式编程即可学习。尽管围绕人工智能算法(例如ChatGPT和其他生成模型)的讨论正在社会各个层面进行，但量子计算机的机器学习能力仍然有待探索。
世界各地的研究人员目前正在努力回答量子计算机是否能够更好地解决传统机器学习带来的一些问题的问题。
柏林自由大学的研究团队进行的一项研究现已揭示了非凡的见解，挑战了之前有关量子机器学习的假设。研究小组发现，神经元量子网络不仅可以学习，还可以记忆看似随机的数据。这项题为“理解量子机器学习也需要重新思考泛化”的研究发表在《自然通讯》上。
量子计算机使用基于与传统计算机不同的物理原理的单独计算单元。它们依赖于按照量子力学定律运行的单个原子、离子或超导电路。虽然直到最近量子计算机还被认为只是一个白日梦，但它们现在已经成为现实，并且正在以惊人的速度继续发展。
现在量子处理器单元包含数百个量子位，科学家们才刚刚开始发现这些计算机的能力。人们普遍认为，未来的量子计算机将能够比现有的超级计算机更快地解决重要问题。因此，研究人员已经在研究它们在机器学习应用中的潜力。
在他们的新研究中，柏林自由大学的研究人员专注于量子神经网络——量子机器学习领域的一种有前景的方法。研究小组发现，这些网络不仅可以学习，还可以记忆看似随机的数据。这些结果违背了量子模型如何对新数据做出反应(即学习)的传统理解，这种现象被称为“泛化”。
该研究的主要作者、柏林自由大学和海因里希·赫兹研究所的研究员EliesGil-Fuster表示：“这就像发现一个6岁的孩子可以同时记住随机的数字串和乘法表。”。“我们的实验表明，这些量子神经网络非常擅长拟合随机数据和标签，挑战了我们理解学习和泛化的基础。”
这一发现的影响是深远的。它对用于衡量机器学习模型泛化能力的传统测量方法(例如VC维度或Rademacher复杂度)提出了质疑。该团队的研究结果表明，量子神经网络似乎具有固有的记忆能力，为理论理解和实际应用的探索开辟了新的途径。
研究小组负责人、柏林自由大学教授JensEisert解释道：“虽然这并不一定意味着量子机器学习的泛化能力较差，但这确实意味着我们需要重新思考如何解决这个问题。”前往海因里希·赫兹研究所。“我们的研究结果表明，我们需要在如何概念化和评估机器学习任务的量子模型方面进行范式转变。”
研究人员表示，这些发现代表了我们对量子机器学习及其潜在应用的理解向前迈出了重要一步。通过挑战传统观念，该研究为这个快速发展的领域的新见解和发展铺平了道路。
研究人员强调了他们的发现的重要性，“正如之前的物理学发现重塑了我们对宇宙的理解一样，这项研究有可能重新定义量子机器学习模型的未来。当我们站在一个新时代的风口浪尖时，技术，了解这些细微差别可能是解锁量子机器学习领域进一步进步的关键。”