محققان در پژوهش جدیدی به سراغ حل یکی از چالشهای اساسی در محاسبات کوانتومی رفتهاند: «بودجه شات» (Shot Budget).
در یادگیری ماشین کوانتومی، هر محاسبه روی سختافزارهای امروزی با محدودیت نمونهبرداری مواجه است. حالا این مطالعه جدید با معرفی روش «Active Quantum Kernel Acquisition»، راهکاری هوشمندانه برای توزیع دقیقتر منابع محاسباتی در رگرسیون فرآیند گاوسی (GP) ارائه کرده است.
نتیجه؟ کاهش ۱۰ تا ۲۱ درصدی خطای پیشبینی در بنچمارکهای مختلف! این یعنی راه برای اجرای دقیقتر و بهصرفهتر مدلهای هوش مصنوعی روی کامپیوترهای کوانتومی هموارتر میشود. 💡
منبع: arXiv Machine Learning
