50. یادگیری ماشین کوانتومی
50.1یادگیری ماشین کوانتومی واقعاً یعنی چه
چهار برنامهٔ پژوهشی متمایز این برند را به اشتراک می‌گذارند. یک: QML روی دادهٔ کلاسیک — مدارهای کوانتومی به‌عنوان مدل برای داده‌ی معمولی (موضوع اصلی این فصل؛ بیش‌ترین هیاهو، کم‌ترین شواهد). دو: دادهٔ کوانتومی — مدل‌های آموخته از حالت‌هایی که سیستم‌های کوانتومی تولید می‌کنند (نه فقط قابل‌دفاع بلکه可以说 لازم: داده بومیاً کوانتومی است؛ خانهٔ صادق کنونی: آزمایش‌های فیزیک نه محصولات). سه: سرعت‌های کوانتومی برای زیرروال‌های ML — جبرخطی HHL-گونه، شتاب گرادیان (عمدتاً کوانتومی‌زدایی‌شده یا تا مرگ احتیاط‌خورده — درس‌های HHL فصل ۴۹). چهار: ML برای کوانتوم — ML کلاسیک روی مسائل کوانتومی (رمزگشایی، کالیبراسیون، طراحی پالس — بی‌سروصدا بارورترین شاخه و کاملاً بازیِ مهندس نرم‌افزار). خلط این چهار، ریشهٔ بیشتر بحث‌های QML است؛ ادعا‌هایتان را برچسب بزنید.
50.2نگاشت‌های ویژگی کوانتومی
ایدهٔ باربر: مداری Φ(x) ورودی کلاسیک x را به حالت کوانتومی |Φ(x)⟩ می‌برد و فضای ویژگی کوانتومی — فضای هیلبرت این حالت‌ها — ممکن است ساختاری داشته باشد (مقادیر کرنل ⟨Φ(x)|Φ(y)⟩) که محاسبهٔ کلاسیکش سخت باشد. پیچ‌های طراحی: سبک کدگذاری (زاویه‌ای: xᵢ به‌عنوان زاویهٔ چرخش — ۱ کیوبیت به‌ازای ویژگی؛ دامنه‌ای: n ویژگی در log n کیوبیت — مدارهای عمیق آماده‌سازی حالت، همان احتیاطی که ادعاهای زیاد را می‌کشد)، تکرار (لایه‌های بارگذاری-مجدد)، ساختار درهم‌تننده. سمت قابل‌اثبات: هاولیچک و همکاران (۲۰۱۹) نگاشت‌هایی ساختند که کرنل‌شان تحت فرضیاتی کلاسیکی سخت است؛ سمت احتیاطی: آن ساخت‌ها آگاهانه بدترین‌حالتی‌اند و اینکه آیا طبیعی داده‌های واقعی ساختار مفید-کوانتومی دارند پرسشی تجربی است با، تا این‌جا، بیشتر پاسخ‌های منفی یا نامشخص.
50.3طبقه‌بندهای واریاسیونال
مدار واریاسیونال (49.2) به‌عنوان طبقه‌بند: ورودی را کد کن → لایه‌های پارامتری V(θ) → اندازه بگیر → بیت‌ها را به‌عنوان لوجیت/کلاس تفسیر کن. با همان حلقهٔ دورگهٔ VQE آموزش بدهید، زیان آنتروپی متقاطع، گرادیان تغییر-پارامتر — و همهٔ بیماری‌ها را به ارث ببرید: فلات بایرانی (حالا زیر یک *زیان*، با وابستگی-داده که نظریه را سخت‌تر می‌کند)، بایاس نویز، سربار اندازه‌گیری به‌ازای گرادیان. مقایسه‌ای که باید پیش از هر ادعایی بیاید: خطوط پایهٔ کلاسیک با اندازهٔ صادق (رگرسیون لوجستیک تنظیم‌شده، MLP کوچک، روش کرنلی روی همان ویژگی‌ها) — چون مدل‌های QML نسخهٔ ۲۰۲۰–۲۰۲۴ به‌طور روتین توسط مدل‌های خطی روی داده‌هایی که رویشان نمایش داده شدند زده شدند. آن مقایسه را یک بار خودتان اجرا کنید (پروتکل 50.8)؛ شکاکیتتان را برای همیشه کالیبره می‌کند.
50.4کرنل‌های کوانتومی
شاخهٔ ریاضی‌تر: آموزش واریاسیونال را رد کنید، ماتریس کرنل K_ij = |⟨Φ(xᵢ)|Φ(xⱼ)⟩|² را با مدارهای سواپ حساب کنید و به SVM کلاسیک بسپارید. ویژگی‌های ظریف: آموزش محدب است (فلات نیست — نانمجمعی به طراحی کرنل منتقل شده)، کران‌های تعمیم وجود دارد و کل چیز به نظریهٔ کرنل کلاسیک وصل می‌شود که «مزیت کوانتومی = کرنلی که تخمین کلاسیکش سخت اما روی دادهٔ واقعی مفید است» پرسش پژوهشی تمیزی است. واقعیت سربار: تخمین کرنل O(m²) ارزیابی مداری می‌خواهد به‌ازای m نمونه — m=1000 یعنی 10⁶ ارزیابی؛ هر اندازهٔ دادهٔ واقعی روی اقتصاد سخت‌افزار تنها رویکرد را خرد می‌کند. روش‌های کرنلی پاک‌ترین گوشهٔ فکری QML و دورترین از کاربرد اقتصادی‌اند.
50.5معماری‌های QNN
«شبکه‌های عصبی کوانتومی» — نام، بازاریابی است؛ اشیاء، مدارهای پارامتری‌اند. پرسش‌های معماری بدون نظیر کلاسیک: چگونه کدگذاری داده و لایه‌های آموزش‌پذیر را درهم ببافیم (بارگذاری-مجدد از کدگذاری-یک‌بار تجربیاً می‌بَرد)، «کانولوشن» یا «تجمیع» وقتی نمی‌توان رونوشت کرد یعنی چه (qCNNها، شبکه‌های تانسوری درختی)، خوانش چگونه (مقدار انتظاری، نه اسپایک) و تنظیم چگونه (قید تقارن، دوباره). نظریه می‌گوید QNNها روی دادهٔ کلاسیک در هیچ سبک بهره‌برداری‌آمیدی بیانергتر از شبکه‌های کلاسیک نیستند (تابع هر مداری با هزینهٔ نمایی شبیه‌سازی‌شدنی است — و ادعاهای «بازنمایی‌کارا اما آموزش‌ناکارا» برای دادهٔ طبیعی اثبات‌نشده‌اند). پژوهش معماری مشروع و جالب است؛ برندینگ معماری جایی است که شکاکیت شما باید زندگی کند.
50.6گلوگاه‌های بارگذاری داده
مسألهٔ ساختاری زیر همهٔ QML-روی-دادهٔ-کلاسیک: رساندن x به |Φ(x)⟩. کدگذاری دامنه‌ای با O(n) دروازه به‌ازای n ویژگی، هر سرعت نمایی الگوریتمی را روی هر داده‌ای که در حافظهٔ کلاسیک جا می‌شود نابود می‌کند؛ کدگذاری زاویه‌ای O(n) کیوبیت می‌خرد؛ QRAM — دستگاه فرضی که داده را در O(log n) می‌خواند — وجود ندارد و بحث‌های no-go جدی‌اش هستند (قرینهٔ فصل ۴۶). پس هر نتیجهٔ «سرعت نمایی» QML پانوشتی حمل می‌کند که تجسدیافتنش از الگوریتم کلاسیکی که می‌زند گران‌تر است. این جزئیات نیست؛ مانع مرکزی است و هر مقاله، پیچ یا نقشهٔ راه QML که صریحاً به بارگذاری داده نمی‌پردازد، با امکان‌سنجی خودش درگیر نشده. استدلال را حفظ کنید؛ در جلسات به‌کارش خواهید برد.
50.7فلات بایرانی
نتیجهٔ 49.6، تیزشده برای QML: دروازه‌های کدگذاری داده با پرسش آموزش‌پذیری تعامل دارند (بارگذاری-مجدد کمک می‌کند؛ آنساتزهای غنی-کدگذاری می‌زنند) و نتایج نویز ۲۰۲۳–۲۴ با نیروی مضاعف فرود می‌آیند چون QML به‌حکم تعریف سخت‌افزار نویزی را هدف می‌گیرد. رفع‌های QML-ویژهٔ زیر مطالعه: کدگذاری‌های مسئله-آگاه، آنساتزهای از کلاس تقارن داده، و کدگذاری‌های قابل‌آموزش (فرایادگیری اینکه چه بار شود). فرادرس برای careers شما: QML جایی است که بلوغ ریاضی حوزه در ملأ عام امتحان می‌شود — نظریهٔ آموزش‌پذیری در پنج سال از فولکلور به قضیه رفت و قضیه‌ها عمدتاً منفی بودند. آن ادبیات را دقیق خواندن بهترین تمرین برای ارزیابی هر پیچ کوانتومی است که خواهید دید.
50.8خطوط پایهٔ کلاسیک
پروتکل، چون به آن نیاز خواهید داشت: (۱) داده و تقسیم را اول ثابت کنید؛ (۲) میلهٔ کلاسیک را بگذارید — رگرسیون لوجستیک تنظیم‌شده، درخت‌های گرادیان-تقویت‌شده و یک شبکهٔ عصبی کوچک، همه با جست‌وجوی ابرپارامتر صادقانه؛ (۳) مدل کوانتومی را با بودجهٔ محاسبهٔ برابر اجرا کنید (نه دور-برابر — ساعت-دیواری و تلاش تنظیم برابر)؛ (۴) منحنی‌های یادگیری گزارش کنید نه دقت نهایی؛ (۵) شمار شات و فرضیات سخت‌افزاری در جدول؛ (۶) متریک را پیش‌ثبت کنید. این خسته‌کننده است و تفاوت میان نتیجه و دمو. کارنامهٔ ناراحت‌کنندهٔ تجربی ۲۰۲۰–۲۰۲۵: روی داده‌های جدولی و تصویری استاندارد، مدل‌های کوانتومی خطوط پایهٔ خوب-تنظیم کلاسیک را نزده‌اند و مقاله‌هایی که این را روشن گفتند باارزش‌ترین خواندنی‌های حوزه‌اند.
50.9پرهیز از هیاهوی کوانتوم-AI
انضباط ترکیب. ادعاهایی که باید رد کنید: «رایانه‌های کوانتومی AI را انقلاب می‌کنند» (مکانیزم شناخته‌شده‌ای نیست)، «سرعت‌های نمایی برای یادگیری ماشین» (کوانتومی‌زدایی‌شده یا بارگذاری-محتاط‌شده)، «QNNها مثل مغزند» (نه). ادعاهایی که جدی بگیرید: روش‌های کوانتومی برای دادهٔ کوانتومی (یادگیری حالت، راستی‌آزمایی — پژوهش زنده)، ML برای مهندسی کوانتوم (رمزگشاها! رمزگشاهای عصبی فصل ۳۷ واقعی و در حال عرضه‌اند)، و QML به‌عنوان برنامهٔ نظری که روشن می‌کند یادگیری بدون رونوشت یا شبیه‌سازی کارای کلاسیک یعنی چه. راهنمای careers نهفته: باارزش‌ترین مهندسان برای تیم‌های QML کسانی‌اند که زیرساخت کلاسیک و خطوط پایهٔ صادق را می‌سازند — شرح شغلی که دقیقاً با مهارت‌هایی می‌خواند که این کتاب ساخته.