据武汉大学消息，该校计算机学院罗勇教授团队在量子机器学习研究方面取得新进展，首次证明了量子数据的纠缠程度对量子机器学习模型预测误差的影响表现出双重效应。相关研究成果近日在线发表在国际学术期刊《自然·通讯》上。

  论文通讯作者罗勇介绍，量子纠缠是实现量子计算优势的关键资源。目前，科学家广泛关注如何将量子纠缠整合到量子机器学习模型的各个环节，以期超越传统机器学习模型的性能。尽管如此，量子数据的纠缠程度具体如何影响量子机器学习模型的性能，仍然是一个尚未解决且颇具挑战性的研究课题。

  图为量子数据的纠缠程度对量子机器学习模型预测误差的影响示意图。（罗勇教授团队供图）

  “现有研究通常认为量子纠缠有助于提升量子机器学习模型的性能。”罗勇说，该研究团队分析了量子数据纠缠程度、测量次数以及训练数据集的规模对量子机器学习模型预测误差的影响，首次证明量子数据的纠缠程度对预测误差的影响表现出双重效应，可以是积极的，也可以是消极的，而决定量子纠缠是否能提升量子机器学习性能的关键在于允许的测量次数。在足够次数的测量条件下，增加量子数据的纠缠可以有效减少量子机器学习模型的预测误差，或减小实现相同预测误差所需的量子数据大小。相反，当允许的测量次数很少时，使用高度纠缠的量子数据可能会导致预测误差增大。该研究为设计更先进的量子机器学习协议，特别是针对当前量子计算资源有限的量子计算机而定制的协议提供了重要理论指导。（记者侯文坤）