У способностей квантового машинного обучения обнаружили предел
У всего есть предел. Вот и у алгоритмов квантового машинного обучения нашли ограничения в способности извлекать информацию из сложных систем, таких как черные дыры
В классическом мысленном эксперименте Хейдена-Прескилла вымышленная Алиса бросает информацию, например книгу, в черную дыру, которая «съедает» текст и перемешивает его. Ее компаньон, Боб, все еще может извлечь текст, используя квантовую запутанность. Однако новая работа доказывает, что существуют фундаментальные ограничения на восстановление этой информации при помощи запутанности — вернуть ее будет очень трудно, если не невозможно.
Любая информация, проходящая через информационный скремблер, такой как черная дыра, достигнет точки, где алгоритм машинного обучения при попытке вернуть ее обратно, выйдет на так называемое «пустынное плато». Это область в математическом пространстве алгоритмов оптимизации, в которой решить задачу становится экспоненциально сложнее по мере увеличения размера исследуемой системы. Этот феномен, который серьезно ограничивает обучаемость квантовых нейронных сетей.
Ранее исследователи предполагали, что такие алгоритмы должны быть способны справиться с проблемой пустынного плато, но новая теорема, открытая физиками, накладывает на этот процесс фундаментальные ограничения. Однако ключевая часть новой теоремы предполагает отсутствие предварительных знаний о квантовом скремблере, что маловероятно в реальной науке.
Это значит, что исследование сложных систем и извлечение информации из них будет сильно зависеть от того, насколько много информации о них мы имеем на начальном этапе. Авторы предполагают, что в скором времени обнаружат примеры ситуаций, в которых их теорема полностью выполняется, и таких, где ее удается обойти.
Статья об открытии опубликована в журнале Physical Review Letters.