（图片来源：网络）
量子计算+AI，将会以强大的性能优势为各个行业带来前所未有的变革。最近，美国洛斯阿拉莫斯国家实验室在“量子+AI”领域取得了重大突破：他们的最新研究表明，训练一种量子神经网络只需要少量数据集。相比于经典计算中AI对数据的巨大需求，这一研究成果将大大推进量子AI优越性的加速实现。
目前，该研究成果Generalization in quantum machine learning from few training data（在少量训练数据中推广量子机器学习）已发表在《自然通讯》杂志上。洛斯阿拉莫斯国家实验室的量子理论家、论文合著者Lukasz Cincio说道：“许多人认为，量子机器学习（QML）训练需要大量数据。但现在，我们已经严格证明，在许多问题中情况并非如此。这为QML技术发展提供了新的希望。”
假设参数或变量的数量将由希尔伯特空间的大小决定，那么该空间将随着大量量子比特的训练而呈指数增长。论文的另一合著者Patrick Coles表示：“很难想象希尔伯特空间有多大，例如30个量子比特就存在10亿个状态，量子AI的训练过程就发生在这个广阔的空间内。然而现在，您只需要与训练模型中的参数数量一样多的数据点就够了——大约30个数据点。”
AI的最终目标是通过数据训练的神经网络能够对未观察的数据做出准确的识别和预测，即泛化能力。由于对加强量子AI泛化所需要的条件知之甚少，该研究小组对有限数量的N个训练数据点进行训练，全面研究了QML的泛化性能，并证明了变分QML中泛化误差的理论上界。与此同时，该研究小组还用更少的计算门来编译在量子计算机上处理的量子模型，同时对于经典计算的量子模拟来说同样具有效率，大大简化了过程。
在探索该方法的应用中，他们使用量子卷积神经网络测试，在对非常小的数据集进行训练后，对量子态相位进行了分类。
该实验室量子科学中心主任、该论文的合著者Andrew Sornborger表示：“在材料学中，研究量子物质的相分类很重要，对相的理解可以帮助我们制造具有所需特性（例如超导性）的材料。我们的工作证明，只需要经过最少的数据训练，机器学习系统就可以发现相图。”
该研究小组表示，新方法还具有其他潜在应用，包括
