源自量子力学的归纳偏置：利用非对易测量学习顺序效应
量子物理
2023-12-08 v1
摘要
构建优秀机器学习算法有两种主要方法：将大量数据输入大型模型，或者选择具有适合数据结构的“归纳偏置”的模型类。当以第二种方法为起点来设计用于机器学习的量子算法时，理解量子力学中的数学结构如何在量子模型中产生有用的归纳偏置非常重要。在本工作中，我们将量子认知文献中的一系列理论证据引入量子机器学习领域，以研究量子可观测量的非对易性如何帮助学习具有“顺序效应”的数据，例如在调查中交换问题顺序时人类回答模式的变化。我们设计了一个多任务学习设置，其中由顺序可学习测量组成的生成式量子模型可以通过改变可观测量的顺序来适应给定的任务——或问题顺序，并且我们提供了受人类心理学启发的人工数据集来进行研究。我们的首次实验模拟表明，在某些情况下，随着数据中顺序效应量的增加，量子模型会学习到更多的非对易性，并且量子模型在基于某些问题顺序训练时，能够学会为未见过的问题顺序生成更好的样本——这两点都是模型架构适合该任务的标志。
引用
@article{arxiv.2312.03862,
title = {An inductive bias from quantum mechanics: learning order effects with non-commuting measurements},
author = {Kaitlin Gili and Guillermo Alonso and Maria Schuld},
journal= {arXiv preprint arXiv:2312.03862},
year = {2023}
}