محققان در پژوهشی جدید، راهکاری خلاقانه برای غلبه بر مشکلات رایج در «الگوریتمهای کوانتومی متغیر» (VQA) پیدا کردهاند. این روش که «Identity-Paired Progressive Depth Training» نام دارد، مشکل «شوک مقداردهی اولیه» هنگام افزایش لایههای مدار کوانتومی را حل میکند.
نکته جالب اینجاست که این متد به مدل اجازه میدهد حتی بدون افزایش پیچیدگی محاسباتی، به دلیل اضافه شدن پارامترهای چرخشی، دقت و بهینگی آموزش را افزایش دهد؛ پدیدهای که محققان آن را «آموزشپذیری فراتر از بیانگری» (Trainability beyond expressibility) نامیدهاند. قدمی تازه برای بهبود عملکرد هوش مصنوعی در سختافزارهای کوانتومی! 🤖⚡️
منبع: arXiv Machine Learning