Il reste incertain de savoir si l'apprentissage machine quantique (AMQ) présente de réels avantages lorsqu'il s'agit de tâches pratiques et significatives. La codification des données classiques en états quantiques est l'une des étapes clés de l'AMQ. L'encodage par amplitude a été largement utilisé en raison de son efficacité remarquable pour encoder un certain nombre de 2^n données classiques en n qubits simultanément. Cependant, l'impact théorique de l'encodage par amplitude sur l'AMQ n'a pas été examiné en profondeur. Dans ce travail, nous prouvons que, sous certaines hypothèses de données larges et typiques, la moyenne des états quantiques encodés par encodage d'amplitude tend à se concentrer vers un état spécifique. Ce phénomène de concentration limite sévèrement la capacité des classificateurs quantiques car il conduit à un phénomène de barrière de perte, à savoir que la fonction de perte a un seuil inférieur qui ne peut pas être amélioré par aucun algorithme d'optimisation. De plus, à travers des simulations numériques, nous révélons un phénomène contre-intuitif de l'encodage par amplitude : à mesure que la quantité de données d'entraînement augmente, l'erreur d'entraînement peut augmenter plutôt que diminuer, entraînant une diminution réduite de la précision des prédictions sur de nouvelles données. Nos résultats soulignent les limitations de l'encodage par amplitude dans l'AMQ et indiquent que davantage d'efforts devraient être consacrés à la recherche de stratégies d'encodage plus efficaces pour libérer le plein potentiel de l'AMQ.
Wang et al. (Mon,) ont étudié cette question.