自适应超参数，增强量子机器学习算法

　　作者文龙
　　佛罗里达州立大学工程学院机械工程系主任威廉奥茨（WilliamOates）和博士后研究员GuangleiXu找到了一种自动推断用于机器学习应用的量子玻尔兹曼机算法参数的方法。
　　研究成果以自适应超参数更新，用于在量子退火上训练受限玻尔兹曼机（AdaptivehyperparameterupdatingfortrainingrestrictedBoltzmannmachinesonquantumannealers）为题于2月1日发表在《自然科学报告》（NatureScientificReports）杂志上。
　　受限玻尔兹曼机（RBM）作为深度神经网络的基本构建模块，应用于无监督的机器学习可以用来解决复杂的、相互关联的问题，例如图像识别、药物发现和创造新材料。
　　RBM由包含两层节点二部图组成，这些节点完全连接。将一组给定的数据输入到RBM的可见层，通过玻尔兹曼概率分布优化，可以找到最佳权重和隐藏层偏置。
　　图示：RBM二部图。（来源：论文）
　　但随着网络规模的增长，通过优化和采样来训练此类网络需要大量的计算资源。因此，提出了量子退火算法作为更有效的空间搜索方法。量子退火算法是用来预测量子位状态的工具，因为量子计算机需要计算量子位在被观测前的状态的概率工作，而量子位的状态与传统计算机中的二进制不同，是叠加的。
　　实验过程中通常需要选择有效的逆温超系数，RBM通常会对此参数进行猜测，但还需要测试确定，而Oates和Xu找到一种自动计算该算法中使用的与温度相关的超参数的方法。
　　研究人员用基于DWave硬件对图像识别问题的实验来验证，结果发现，最大似然估计或最小化Shannon熵两种方法都可以减少稳态误差。
　　图示：分别使用线性变换、最大似然估计和最小化Shannon熵三种方法得到的超参数优化。（来源：论文）
　　这项工作可以帮助计算机建立可用于训练的深度神经网络，模型中的超参数预测复现了量子退火算法的工作原理。如果可以准确地估计它，则可以更有效地训练神经网络，并将其用于预测事物。
　　Oates表示：人们相信，随着量子计算的出现和计算能力的增长，能够有一些新工具，但是弄清楚如何对其进行编程以及如何在某些应用中应用它是一个很大的挑战。
　　论文链接：https：www。nature。comarticless41598021821971
　　参考内容：https：phys。orgnews202103quantummachinealgorithms。html