Kuantum makine öğrenmesi alanında çığır açacak yeni bir algoritma, eğitim süreçlerinin verimliliğini artırmak için geliştirildi. Observable-guided generator selection adı verilen bu yöntem, kuantum sistemlerindeki parametreli üniter operatörlerin generator seçimini optimize ederek öğrenme performansını iyileştiriyor.
Algoritmanın temel çalışma prensibi, iki kritik faktörü dengelemek üzerine kurulu: gradyanlarda yüksek birinci derece hassasiyeti korumak ve Hessian matrisindeki ikinci derece parazitleri minimize etmek. Bu yaklaşım, kuantum devrelerinin eğitim sürecinde karşılaşılan temel zorluklardan birini çözmeyi hedefliyor.
Pauli-string observables ve aday generatorların kullanıldığı kısıtlı ortamlarda, araştırmacılar bu seçim problemini binary optimizasyon problemi olarak yeniden formüle ettiler. Bu formülasyon, özellikle karşılıklı anti-commuting generatorları tercih eden bir yapıya sahip.
Sentetik veri seti üzerinde beş qubit'lik küçük ölçekli devrelerle gerçekleştirilen deneyler, algoritmanın etkinliğini kanıtlıyor. Seçilen generatorlar, rastgele generator seçimine kıyasla belirgin şekilde daha hızlı eğitim sağlarken, benzer expressibility özelliklerini koruyor.
Bu gelişme, kuantum makine öğrenmesi sistemlerinin pratik uygulamalarında önemli bir adım teşkil ediyor ve gelecekte daha büyük ölçekli kuantum sistemlerin eğitiminde kullanılma potansiyeline sahip.