在NISQ时代训练量子-经典混合机器的实用性

经典计算的进步显著增强了机器学习应用，但在能源、资源和速度方面仍存在固有的局限性。量子机器学习算法为克服这些限制提供了一条有前景的途径，但也带来了自身的障碍。本实验研究探索了在离子阱平台上，使用监督训练协议训练一个真实的实验性量子-经典混合系统的极限。研究解决了与离子阱耦合经典处理器相关的挑战，突显了遗传算法作为经典优化器在应对含噪中等规模量子（NISQ）设备的噪声信道以及具有许多局部极小值的二分类问题固有的复杂优化景观时的鲁棒性。我们通过深入分析，详细讨论了为何基于梯度的优化器在NISQ时代可能不适用。这些发现为量子-经典混合系统的性能提供了见解，强调了高效训练策略和硬件考量对于实际量子机器学习应用的重要性。这项工作不仅增进了对混合量子-经典系统的理解，也突显了在不依赖经典模拟器的情况下，通过量子与经典计算范式的融合对现实世界挑战的潜在影响。