Generalização em aprendizado de máquina quântica a partir de poucos dados de treinamento

Métodos modernos de aprendizado de máquina quântica (QML) envolvem a otimização variacional de um circuito quântico parametrizado em um conjunto de dados de treinamento e, subsequentemente, a realização de previsões em um conjunto de dados de teste (ou seja, generalizando). Neste trabalho, fornecemos um estudo abrangente do desempenho de generalização em QML após o treinamento com um número limitado N de pontos de dados de treinamento. Mostramos que o erro de generalização de um modelo de aprendizado de máquina quântica com T portas treináveis escala, no pior caso, como Fórmula: veja o texto. Quando apenas K ≪ T portas sofreram mudanças substanciais no processo de otimização, comprovamos que o erro de generalização melhora para Fórmula: veja o texto. Nossos resultados implicam que a compilação de unitários em um número polinomial de portas nativas, uma aplicação crucial para a indústria de computação quântica que normalmente utiliza dados de treinamento em tamanho exponencial, pode ser acelerada significantemente. Também mostramos que a classificação de estados quânticos através de uma transição de fase com uma rede neural quântica convolucional requer apenas um conjunto de dados de treinamento muito pequeno. Outras aplicações potenciais incluem aprender códigos de correção de erros quânticos ou simulação dinâmica quântica. Nosso trabalho injeta uma nova esperança no campo do QML, uma vez que boa generalização é garantida a partir de poucos dados de treinamento.