محققان در مطالعه جدید خود به سراغ یکی از چالشهای بزرگ در مدارهای کوانتومی پارامتریک (PQC) رفتند: «تضاد بین بیانپذیری و آموزشپذیری». تا پیش از این تصور میشد که افزایش قدرت مدار در مدلسازی، لزوماً باعث ایجاد مشکلات محاسباتی (مانند Barren Plateaus) میشود، اما این پژوهش نشان میدهد که این یک قانون ثابت نیست.
با معرفی دو شاخص کلیدی EP (قدرت درهمتنیدگی) و EPD (انحراف قدرت درهمتنیدگی)، این مطالعه راهی جدید برای طراحی مدارهایی باز کرده که همزمان از قدرت بالای مدلسازی برخوردارند و دچار افت کارایی در زمان آموزش نمیشوند. این گام بزرگ میتواند آینده هوش مصنوعی کوانتومی را دستخوش تغییرات مهمی کند! ⚛️💻
منبع: arXiv Machine Learning