详细内容或原文请订阅后点击阅览
如何为机器学习保持量子信息的活力
量子机器学习有望提供强大的信息处理新方法，但量子态却异常脆弱。在本文中，我们探讨了为什么量子信息如此难以保护，噪声和退相干如何引入错误，以及量子纠错背后的基本思想：这项技术可能使大规模量子机器学习成为可能。如何保持量子信息在机器学习中的活力一文首先出现在《走向数据科学》上。
来源:走向数据科学在本文中
现代机器学习系统每秒执行大量操作。训练大型神经网络涉及大量矩阵乘法、内存传输和跨硬件的连续信息流。尽管规模如此之大，经典计算机仍然非常可靠，因为现代计算系统是建立在纠错和容错层之上的。
经典硬件中仍然会出现错误。电噪声、热波动甚至宇宙射线有时都会损坏信息。然而经典信息却出人意料地强大。
原因非常简单：
位可以被复制和检查而不改变其状态。
这个看似普通的属性构成了经典纠错的基础。通过引入冗余并执行一致性检查，经典系统可以在错误通过计算传播之前检测并纠正错误。
量子系统的运作方式非常不同。
在量子机器学习 (QML) 中，信息被编码成通过叠加和纠缠演化的脆弱量子态。与经典比特不同，量子态不能简单地复制以进行备份。更糟糕的是，直接检查量子态可能会扰乱我们试图保护的信息。
这带来了量子计算中最大的挑战之一：
我们如何让量子信息保持足够长的时间以执行有意义的计算？
答案在于量子纠错 (QEC)，这是一组旨在保护量子信息免受周围嘈杂和不完美世界影响的技术。
量子信息的行为非常不同。
让我们一次一个地检查它们。