量子计算在机器学习中的优势与快速重训练

量子计算的出现有望通过比经典计算机更有效地解决复杂问题来革新各个领域。尽管如此，实际的量子优势仍受到当前硬件限制的阻碍，尤其是 qubit 数量有限和噪声水平高。本研究我们利用准粒子计算器优化Kolmogorov-Arnold Networks，这是一种能够以最小参数表示复杂函数的强大神经网络架构。通过修改网络以使用 Bezier 曲线作为基函数，并将优化问题形式化为二次无约束二进制优化问题，我们创建了一个固定大小的解空间，独立于训练样本数量。这一策略允许在单个训练迭代中优化整个神经网络，其中由于操作顺序，大部分处理工作是在折叠后的训练数据集上完成的。这本身会创建极快的训练速度，实验验证了这一点，与经典优化器（包括 Adam、随机梯度下降、自适应梯度和模拟退火）相比。此外，我们引入了一种新型快速重训练功能，使网络能够在不重新处理旧样本的情况下使用新数据进行重训练，从而增强了在动态环境中的学习效率。对重训练的实验表明，使用基于准粒子计算的优化比基于梯度下降的优化器快百倍！理论模型表明，这种速度提升可能会更大！我们的发现表明，随着量子硬件和算法优化的进一步发展，量子优化的机器学习模型可能在各个领域获得广泛应用，最初 focus on rapid retraining。