רבים מהתקוות לגבי מחשבים קוונטיים נשענות על הרעיון שהם ילמדו מתוך נתונים בדרכים שמחשבים רגילים אינם יכולים לחקות. אך ככל שהאלגוריתמים הקלאסיים משתפרים, חלק מהיתרונות הקוונטיים המוצעים נעלמים. מאמר זה שואל שאלה מרכזית: כאשר מודל למידה קוונטי והעותק הקלאסי הטוב ביותר שלו אינם מסכימים, האם חוסר ההסכמה הזה יכול להעיד על רווח ממשי, או שמדובר במראה?
שני סוגי לומדים הרודפים אחר אותו תבנית
המחברים בודקים משפחה פופולרית של מודלים בלמידה קוונטית המורכבים ממעגלים קוונטיים ואריאציוניים. מעגלים אלה מקודדים נתונים למצב קוונטי ולאחר מכן מודדים פלט שמתפקד כניבוי. במובן מתמטי, גם המודל הקוונטי וגם מודל קלאסי מתאים ניתן לתיאור כשילוב ליניארי פשוט הפועל על אותה קבוצת תכונות. המבנה המשותף הזה עושה את זה מפתה להחליף את המודל הקוונטי ב«תחליף» קלאסי שמנסה לחקות את התנהגותו, ומגביר ספקות האם החומרה הקוונטית באמת נחוצה.
איפה קיצורי הדרך הקלאסיים מתחילים להיכשל Figure 1. כיצד מודלים למידה קוונטים וקלאסיים מתפצלים כאשר קיימים התאמות רבות ושונות לאותם נתונים
בהגדרות בממדים גבוהים קיימות שיטות רבות שונות שמתאימות בדיוק לנתוני האימון. שיטות למידה קלאסיות כמו ירידת שיפוע נוטות להעדיף פתרון מיוחד אחד: זה עם המשקל הכולל הקטן ביותר, המכונה בחירת ריבועי המינימום בנורמה המינימלית. טריקים קלאסיים רבי־עוצמה המכונים שיטות תכונות אקראיות יכולים לקרב את הפתרון המועדף הזה באמצעות מספר תכונות נמוך בהרבה משל המודל המלא, ולעתים קרובות להסיר כל יתרון של מהירות או דיוק שהמכשיר הקוונטי אולי סיפק. המחברים מראים שאם מודל קוונטי למעשה נוחת על אותו פתרון עם משקלים קטנים, אז שיטות דה־קוואנטיזציה כאלה צפויות לעבוד היטב.
מתכון להפרדה קוונטית אמיתית
ההצעה המרכזית היא לבחון את גודלו של וקטור המשקלים של המודל הקוונטי. אם, לאחר אימון מוצלח, המשקלים הקוונטיים גדולים משמעותית מאלו של פתרון הנורמה המינימלית הקלאסי, אז שני המודלים חייבים להיות מרוחקים זה מזה במרחב החוזים האפשריים. במקרה זה, תחליף קלאסי המבוסס על תכונות אקראיות לא יכול לעקוב בקלות אחר המודל הקוונטי תוך שמירה על יכולת הכללה טובה. המאמר מפתח רעיון זה עבור מפות תכונה קוונטיות נפוצות הבנויות מרכיבים דמויי פורייה וממעגלים שנקראים re‑uploading, ומקשר אותו לדוגמאות קיימות בקריפטוגרפיה שבהן לומדים קוונטיים כבר מקדימים על לומדים קלאסיים.
איזון בין כוח הבעתי לבין יכולת אימון מעשית Figure 2. מבט שלב־אחר־שלב על מעגל קוונטי שמוצא פתרון שונה בממד גבוה מאשר לומד קלאסי
הדחיפה של מודלים קוונטיים לכיוון וקטורי משקל גדולים מגיעה עם תג מחיר. מעגלים אקראיים בעלי יכולת הבעה גבוהה סובלים לעיתים מתופעת "התכנסות" (concentration), שבה הפלטים ואותות האימון הופכים לשטוחים במידה רבה, מה שהופך את הלמידה לאיטית באופן בלתי פרקטי. המחברים מנתחים את המתח הזה ובונים משפחות של פונקציות מתמטיות שהן גם רחוקות מפתרון הנורמה המינימלית הקלאסי ועדיין שונות מספיק כדי להיות שימושיות. הם גם מספקים שיטה מעשית לאמוד את גודל וקטור המשקלים הקוונטי ישירות מהערכת המעגל, וכך מספקים לכלים ניסיוניים כלי לבדוק האם מעגל מאומן צפוי להתחמק מחיקוי קלאסי.
מה המשמעות לזה לגבי היתרון הקוונטי
העבודה אינה טוענת שמודלים קוונטיים מוכרחים לטבען להציג ביצועים טובים יותר מהקלאסיים. במקום זאת היא מציעה תנאים ברורים שמראים מתי מודל למידה קוונטי לא יכול להיות מוחלף בזול על ידי קירוב קלאסי המשתמש באותן תכונות. על ידי זיהוי הקשר בין היתרון הפוטנציאלי למרחק של הפתרון הקוונטי מבחירת הנורמה המינימלית הקלאסית, ובהדגשת תפקיד גודל מרחב התכונות והשפעות הריכוז, המאמר מסמן מפת דרכים לעיצוב מעגלים קוונטיים עתידיים שאינם רק שונים ממודלים קלאסיים, אלא עשויים להיות שימושיים יותר.
ציטוט: Thabet, S., Monbroussou, L., Mamon, E.Z. et al. When quantum and classical models disagree: learning beyond minimum norm least square.
npj Quantum Inf12, 81 (2026). https://doi.org/10.1038/s41534-026-01217-y
מילות מפתח: למידת מכונה קוונטית, מעגלים קוונטיים ואריאציוניים, תכונות אקראיות, חלופות קלאסיות, יתרון קוונטי
