Kuantum bilgisayarlarda çalışan yapay zeka algoritmalarının performansı, donanım özelliklerine göre yapılan derlemeden beklenenden çok daha fazla etkileniyor. MIT ve IBM araştırmacılarının yaptığı yeni çalışma, bu durumun kuantum makine öğrenmesi alanında önemli sonuçları olduğunu ortaya koyuyor.
Değişken kuantum devreleri (VQC), kuantum bilgisayarlarda yapay zeka uygulamaları için kullanılan temel yapı taşlarından biri. Araştırmacılar genellikle bu devrelerin eğitilebilirliğini teorik düzeyde değerlendiriyor. Ancak gerçek kuantum cihazlarda çalıştırılabilmeleri için, kubit bağlantıları ve yerel kapı setleri gibi donanım kısıtlarına uygun hale getirilmeleri gerekiyor.
Çalışmada, parametre kayması diferansiyasyonu ve gradyan varyans tahminleri kullanılarak üç farklı devre ailesi incelendi: yoğun dolanıklığa sahip EfficientSU2, ağaç tensor ağı yapısındaki TTN ve doğrusal dolanıklıklı RealAmplitudes. Sonuçlar mimariye bağlı olarak farklı eğitilebilirlik değişiklikleri olduğunu gösterdi.
En çarpıcı bulgulardan biri, yoğun dolanıklığa sahip devrelerin sığ rejimlerde belirgin gradyan değişiklikleri yaşaması oldu. Buna karşılık yapısal tensor ağ devreleri görece dayanıklı kaldı. Derin devreler ise tüm ailelerde donanım derlemesinden minimal etkilenme gösterdi.
Bu keşif, kuantum makine öğrenmesi algoritmalarının geliştirilmesinde donanım kısıtlarının baştan itibaren dikkate alınması gerektiğini ortaya koyuyor.