O campo de aprendizado de ma¡quina em computadores qua¢nticos recebeu um impulso de novas pesquisas, removendo um potencial obsta¡culo a  implementação prática de redes neurais qua¢nticas. Enquanto os teóricos acreditavam anteriormente que um conjunto de treinamento exponencialmente grande seria necessa¡rio para treinar uma rede neural qua¢ntica, o teorema qua¢ntico de No-Free-Lunch desenvolvido pelo Laborata³rio Nacional de Los Alamos mostra que o emaranhamento qua¢ntico elimina essa sobrecarga exponencial.

"Nosso trabalho prova que tanto o big data quanto o big emaranhamento são valiosos no aprendizado de ma¡quina qua¢ntica. Melhor ainda, o emaranhamento leva a  escalabilidade, que resolve o obsta¡culo de aumentar exponencialmente o tamanho dos dados para aprendaª-lo", disse Andrew Sornborger, um cientista da computação em Los Alamos e coautor do artigo publicado em 18 de fevereiro na Physical Review Letters. “O teorema nos da¡ esperana§a de que as redes neurais qua¢nticas estãono caminho certo para o objetivo da aceleração qua¢ntica, onde eventualmente superara£o suas contrapartes em computadores cla¡ssicos”.

O teorema cla¡ssico do No-Free-Lunch afirma que qualquer algoritmo de aprendizado de ma¡quina étão bom quanto, mas não melhor do que qualquer outro, quando seu desempenho écalculado em todas as funções possa­veis que conectam os dados aos seus ra³tulos. Uma consequaªncia direta desse teorema que mostra o poder dos dados no aprendizado de ma¡quina cla¡ssico éque quanto mais dados se tiver, melhor seráo desempenho manãdio. Assim, os dados são a moeda do aprendizado de ma¡quina que, em última análise, limita o desempenho.

O novo teorema de Los Alamos No-Free-Lunch mostra que, no regime qua¢ntico, o emaranhamento também éuma moeda e que pode ser trocada por dados para reduzir os requisitos de dados.

Usando um computador qua¢ntico Rigetti, a equipe emaranhou o conjunto de dados qua¢nticos com um sistema de referaªncia para verificar o novo teorema.

“Demonstramos em hardware qua¢ntico que podera­amos efetivamente violar o teorema padrãoNo-Free-Lunch usando emaranhamento, enquanto nossa nova formulação do teorema resistiu ao teste experimental”, disse Kunal Sharma, o primeiro autor do artigo.

“Nosso teorema sugere que o emaranhamento deve ser considerado um recurso valioso no aprendizado de ma¡quina qua¢ntica, juntamente com big data”, disse Patrick Coles, fa­sico de Los Alamos e autor saªnior do artigo. "As redes neurais cla¡ssicas dependem apenas de big data."