محققان در مطالعه جدیدی به بررسی ساختار پیچیده «چشماندازهای هزینه کوانتومی» (QCL) پرداختهاند تا عملکرد الگوریتمهای یادگیری ماشین کوانتومی (VQA) را متحول کنند.
آنها با استفاده از الگوریتم NEB (که ریشه در شیمی نظری دارد)، «درههایی» را در این نقشههای هزینه شناسایی کردهاند که مسیرهای بهینه برای رسیدن به دقت بالاتر هستند. این روش نه تنها به پیشبینیهای دقیقتر منجر میشود، بلکه هزینههای محاسباتی را بهطور چشمگیری کاهش میدهد. این یعنی یک گام بزرگ دیگر به سمت کاربردیتر کردن هوش مصنوعی کوانتومی!
منبع: arXiv Machine Learning
