Entender el aprendizaje automático cuántico también requiere repensar la generalización

Los modelos de aprendizaje automático cuántico han mostrado un rendimiento de generalización exitoso incluso cuando se entrenan con pocos datos. En este trabajo, a través de experimentos de aleatorización sistemática, mostramos que los enfoques tradicionales para entender la generalización no logran explicar el comportamiento de tales modelos cuánticos. Nuestros experimentos revelan que las redes neuronales cuánticas de última generación ajustan con precisión estados aleatorios y etiquetados aleatorios de los datos de entrenamiento. Esta capacidad de memorizar datos aleatorios desafía las nociones actuales de pequeño error de generalización, problematizando enfoques que se basan en medidas de complejidad como la dimensión VC, la complejidad de Rademacher y todos sus relativos uniformes. Complementamos nuestros resultados empíricos con una construcción teórica que muestra que las redes neuronales cuánticas pueden ajustar etiquetas arbitrarias a estados cuánticos, insinuando su capacidad de memorización. Nuestros resultados no excluyen la posibilidad de una buena generalización con pocos datos de entrenamiento, sino que descartan cualquier posible garantía basada únicamente en las propiedades de la familia de modelos. Estos hallazgos exponen un desafío fundamental en la comprensión convencional de la generalización en el aprendizaje automático cuántico y destacan la necesidad de un cambio de paradigma en el estudio de modelos cuánticos para tareas de aprendizaje automático.