ترجمه فارسی مقاله نفرین داده های کوانتومی تصادفی

چکیده

Quantum machine learning, which involves running machine learning algorithms on quantum devices, may be one of the most significant flagship applications for these devices. Unlike its classical counterparts, the role of data in quantum machine learning has not been fully understood. In this work, we quantify the performances of quantum machine learning in the landscape of quantum data. Provided that the encoding of quantum data is sufficiently random, the performance, we find that the training efficiency and generalization capabilities in quantum machine learning will be exponentially suppressed with the increase in the number of qubits, which we call “the curse of random quantum data”. Our findings apply to both the quantum kernel method and the large-width limit of quantum neural networks. Conversely, we highlight that through meticulous design of quantum datasets, it is possible to avoid these curses, thereby achieving efficient convergence and robust generalization. Our conclusions are corroborated by extensive numerical simulations.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین کوانتومی ، که شامل اجرای الگوریتم های یادگیری ماشین بر روی دستگاه های کوانتومی است ، ممکن است یکی از مهمترین برنامه های پرچمدار برای این دستگاه ها باشد.بر خلاف همتایان کلاسیک خود ، نقش داده ها در یادگیری ماشین کوانتومی کاملاً درک نشده است.در این کار ، ما عملکردهای یادگیری ماشین کوانتومی را در چشم انداز داده های کوانتومی کمیت می کنیم.مشروط بر اینکه رمزگذاری داده های کوانتومی به اندازه کافی تصادفی باشد ، عملکرد ، ما می یابیم که راندمان آموزش و قابلیت های تعمیم در یادگیری ماشین کوانتومی با افزایش تعداد Qubits سرکوب می شود ، که ما آن را “نفرین داده های کوانتومی تصادفی می نامیم””یافته های ما هم در مورد روش هسته کوانتومی و هم در عرض گسترده شبکه های عصبی کوانتومی اعمال می شود.برعکس ، ما برجسته می کنیم که از طریق طراحی دقیق مجموعه داده های کوانتومی ، می توان از این لعنت ها جلوگیری کرد و از این طریق به همگرایی کارآمد و تعمیم قوی رسید.نتیجه گیری ما با شبیه سازی های عددی گسترده تأیید می شود.