量子机器学习领域有新进展。鸿海研究院量子计算研究所所长谢明修和澳洲雪梨大学团队，共同提出“Escaping from the Barren Plateau via Gaussian Initializations in Deep Variational Quantum Circuits”研究报告，针对该领域长久以来所面对的贫瘠高原现象（Barren Plateaus）提出解决方案，借由适当的给定可调制参数初始值进行改善。
该研究成果已获世界顶级机器学习，以及计算神经科学领域的学术会议“神经信息处理系统大会（NeurIPS 2022）”所接受，在全球超过一万件的投稿中脱颖而出，于11月底进行发布。
谈及贫瘠高原现象，谢明修解释，一般来说，在量子机器学习的过程中，我们通过控制逻辑门的可调制参数学习，来得到符合期望的量子电路模型，但是在学习的过程中，常因为逻辑门过多且结构过深，使得参数更新困难。
为此，谢明修和澳洲雪梨大学团队共同提出贫瘠高原现象的解决方案，以避免量子机器在学习的过程中，因为这个现象导致训练过久或训练失败，进而让量子学习机器展现出的超越传统机器的真正优势。
谢明修表示，借由适当的给定可调制参数初始值，改善了贫瘠高原现象解决了长久以来一直困扰着量子机器学习领域所面临的问题，在该领域的研究得到了突破性进展。不仅如此，结合该方案，量子计算研究所在今年鸿海科技日（HHTD22）展示量子模拟在电池开发上的研究成果，也大大缩减所需的量子资源。
（首图来源：科技新报）