ترجمه فارسی مقاله یادگیری مداوم کوانتومی بر روی یک پردازنده ابررسانا قابل برنامه ریزی

چکیده

Quantum computers may outperform classical computers on machine learning tasks. In recent years, a variety of quantum algorithms promising unparalleled potential to enhance, speed up, or innovate machine learning have been proposed. Yet, quantum learning systems, similar to their classical counterparts, may likewise suffer from the catastrophic forgetting problem, where training a model with new tasks would result in a dramatic performance drop for the previously learned ones. This problem is widely believed to be a crucial obstacle to achieving continual learning of multiple sequential tasks. Here, we report an experimental demonstration of quantum continual learning on a fully programmable superconducting processor. In particular, we sequentially train a quantum classifier with three tasks, two about identifying real-life images and the other on classifying quantum states, and demonstrate its catastrophic forgetting through experimentally observed rapid performance drops for prior tasks. To overcome this dilemma, we exploit the elastic weight consolidation strategy and show that the quantum classifier can incrementally learn and retain knowledge across the three distinct tasks, with an average prediction accuracy exceeding 92.3%. In addition, for sequential tasks involving quantum-engineered data, we demonstrate that the quantum classifier can achieve a better continual learning performance than a commonly used classical feedforward network with a comparable number of variational parameters. Our results establish a viable strategy for empowering quantum learning systems with desirable adaptability to multiple sequential tasks, marking an important primary experimental step towards the long-term goal of achieving quantum artificial general intelligence.

چکیده به فارسی (ترجمه ماشینی)

رایانه های کوانتومی ممکن است از رایانه های کلاسیک در کارهای یادگیری ماشین بهتر عمل کنند.در سالهای اخیر ، انواع الگوریتم های کوانتومی نوید پتانسیل بی نظیر برای تقویت ، سرعت بخشیدن یا نوآوری یادگیری ماشین را ارائه داده است.با این حال ، سیستم های یادگیری کوانتومی ، مشابه همتایان کلاسیک آنها ، ممکن است به همین ترتیب از مشکل فراموشی فاجعه بار رنج ببرند ، جایی که آموزش یک مدل با کارهای جدید منجر به افت عملکرد چشمگیر برای موارد قبلی آموخته می شود.اعتقاد بر این است که این مشکل یک مانع مهم برای دستیابی به یادگیری مداوم از چندین کار پی در پی است.در اینجا ، ما یک نمایش تجربی از یادگیری مداوم کوانتومی را در یک پردازنده ابررسانا کاملاً قابل برنامه ریزی گزارش می کنیم.به طور خاص ، ما به طور متوالی یک طبقه بندی کننده کوانتومی را با سه کار آموزش می دهیم ، دو مورد در مورد شناسایی تصاویر زندگی واقعی و دیگری در طبقه بندی حالتهای کوانتومی ، و فراموش کردن فاجعه بار آن را از طریق افت عملکرد سریع مشاهده شده برای کارهای قبلی نشان می دهیم.برای غلبه بر این معضل ، ما از استراتژی ادغام وزن الاستیک بهره برداری می کنیم و نشان می دهیم که طبقه بندی کننده کوانتومی می تواند دانش را به صورت تدریجی در سه کار مجزا بیاموزد و حفظ کند ، با میانگین دقت پیش بینی بیش از 92.3 ٪.علاوه بر این ، برای کارهای پی در پی شامل داده های مهندسی کوانتومی ، ما نشان می دهیم که طبقه بندی کننده کوانتومی می تواند عملکرد یادگیری مداوم بهتری را نسبت به یک شبکه فید فورژوارد کلاسیک متداول با تعداد قابل مقایسه ای از پارامترهای متغیر بدست آورد.نتایج ما یک استراتژی مناسب برای توانمندسازی سیستم های یادگیری کوانتومی با سازگاری مطلوب با چندین کار پی در پی ایجاد می کند ، و یک گام آزمایشی مهم مهم به سمت هدف بلند مدت دستیابی به هوش عمومی مصنوعی کوانتومی را نشان می دهد.