新華社武漢5月16日電（記者侯文坤）據(jù)武漢大學消息，該校計算機學院羅勇教授團隊在量子機器學習研究方面取得新進展，首次證明了量子數(shù)據(jù)的糾纏程度對量子機器學習模型預測誤差的影響表現(xiàn)出雙重效應。相關研究成果近日在線發(fā)表在國際學術期刊《自然·通訊》上。

　　論文通訊作者羅勇介紹，量子糾纏是實現(xiàn)量子計算優(yōu)勢的關鍵資源。目前，科學家廣泛關注如何將量子糾纏整合到量子機器學習模型的各個環(huán)節(jié)，以期超越傳統(tǒng)機器學習模型的性能。盡管如此，量子數(shù)據(jù)的糾纏程度具體如何影響量子機器學習模型的性能，仍然是一個尚未解決且頗具挑戰(zhàn)性的研究課題。

　　“現(xiàn)有研究通常認為量子糾纏有助于提升量子機器學習模型的性能。”羅勇說，該研究團隊分析了量子數(shù)據(jù)糾纏程度、測量次數(shù)以及訓練數(shù)據(jù)集的規(guī)模對量子機器學習模型預測誤差的影響，首次證明量子數(shù)據(jù)的糾纏程度對預測誤差的影響表現(xiàn)出雙重效應，可以是積極的，也可以是消極的，而決定量子糾纏是否能提升量子機器學習性能的關鍵在于允許的測量次數(shù)。在足夠次數(shù)的測量條件下，增加量子數(shù)據(jù)的糾纏可以有效減少量子機器學習模型的預測誤差，或減小實現(xiàn)相同預測誤差所需的量子數(shù)據(jù)大小。相反，當允許的測量次數(shù)很少時，使用高度糾纏的量子數(shù)據(jù)可能會導致預測誤差增大。該研究為設計更先進的量子機器學習協(xié)議，特別是針對當前量子計算資源有限的量子計算機而定制的協(xié)議提供了重要理論指導。