论量子反向传播、信息复用与作弊式测量坍缩

现代深度学习的成功取决于大规模训练神经网络的能力。通过巧妙地复用中间信息，反向传播以总计成本大致正比于运行该函数来促进训练，而非招致正比于参数数量（现在可达万亿级）的额外因子。朴素地，人们预期量子测量坍缩完全排除如反向传播中那样的量子信息复用。但近期阴影层析（shadow tomography）的发展——假设可访问量子态的多个副本——挑战了该观念。在此，我们研究参数化量子模型能否像经典神经网络一样高效训练。我们表明，若无多个态副本的访问，实现反向传播标度是不可能的。借助这一附加能力，我们引入了一种基于阴影层析的算法，该算法在量子资源上匹配反向传播标度，同时将经典辅助计算成本降低为阴影层析中的开放问题。这些结果凸显了为实际目的复用量子信息的微妙性，并澄清了训练大型量子模型的独特困难，这可能改变量子机器学习的进程。