محققان در مقالهای جدید، مدل «McQuack» را معرفی کردهاند که یکی از بزرگترین چالشهای یادگیری ماشین کوانتومی، یعنی مقیاسپذیری و آموزش مدلهای طبقهبندی چندگانه را هدف قرار داده است.
نکات کلیدی این پژوهش:
✅ حل مشکل مقیاسپذیری خطی: جایگزینی ماتریسهای پیچیده با یک ماتریس شباهتِ مرکز-کلاس.
✅ عملکرد درخشان: این مدل در شبیهسازیها از مدلهای کوانتومی کلاسیک پیشی گرفته و روی سختافزارهای IBM نیز نتایج قابل قبولی ارائه داده است.
✅ پایداری در آموزش: محققان مشاهده کردند که این مدل دچار مشکل «Barren Plateaus» (یا فلاتهای بیثمر) نمیشود که یک موفقیت بزرگ در بهینهسازی الگوریتمهای کوانتومی محسوب میشود.
این پیشرفت میتواند مسیر استفاده از کامپیوترهای کوانتومی برای وظایف پیچیده یادگیری ماشین را بسیار هموارتر کند. 💡
منبع: arXiv Machine Learning