In Nature Machine Intelligence wurde eine Arbeit veröffentlicht, die QuanONet — einen Quanten-Neurooperator für das Zeitalter von Quanten-Geräten mittleren Maßstabs mit Rauschen — vorschlägt. Klassische Neurooperatoren werden verwendet, um Differentialgleichungen in partiellen Ableitungen zu lösen.
Die Autoren der Arbeit verbinden die Entwicklung effektiver Quantenanalogien mit zwei Problemen bestehender Ansätze: hohen Rechenaufwand und theoretische Lücken. Im Beschreibungen heißt es zudem, dass einige Paradigmen des Quanten-Maschinenlernens eine zu starke Skalierung der Anzahl von Qubits oder tiefe Quanten-Schemata erfordern, was für Geräte der nahen Zukunft unpraktisch ist.
Die Quelle wird mit Metadaten und einem kurzen Überblick des Verlags präsentiert, nicht mit dem vollständigen Text der Studie. Daher kann anhand des vorhandenen Materials die Architektur von QuanONet, die Ergebnisse der Experimente, die erforderliche Qubit-Anzahl oder der Vergleich mit klassischen Methoden nicht festgelegt werden.
redaktioneller Kommentar
Warum es wichtig ist
Wahrscheinliche Bedeutung der Arbeit ist die Suche nach einer praktischeren Form des Quanten-Neurooperators bei Beschränkungen der nächstgelegenen Quantenhardware. Als nächstes beobachtbarer Hinweis werden veröffentlichte Details zur Architektur und Ergebnissen von Tests erscheinen. Eine wesentliche Unsicherheit bleibt bestehen: Die verfügbaren Informationen bestätigen weder Wirksamkeit, Skalierbarkeit noch Überlegenheit der Methode.