Многократные фотоны усиливают квантовое машинное обучение

Фотоны являются перспективными кандидатами для технологий квантовой информации благодаря высокой устойчивости и длительному времени когерентности при комнатной температуре. Вдохновлённые недавними достижениями в фотонных вычислительных техниках, исследования всё чаще обращаются к квантовому машинному обучению (QML) на фотонных платформах. Хотя фотоны обеспечивают высокоразмерное квантовое пространство признаков, подходящее для вычислений, общее понимание того, как число фотонов можно использовать для задач обучения, остаётся ограниченным. Здесь мы теоретически и экспериментально устанавливаем преимущество по ёмкости обучения многофотонных состояний по сравнению с однофотонными состояниями в фотонном QML. Мы доказываем, что ёмкость обучения линейных оптических схем, количественно характеризуемая рангом матрицы квантовой информации Фишера по данным, масштабируется полиномиально по числу фотонов. Такое масштабирование позволяет многофотонным моделям обобщать по меньшему числу обучающих состояний, чем соответствующие однофотонные модели, и достигать меньшей ошибки на тестовой выборке при одинаковой архитектуре и протоколе обучения. Более того, мы экспериментально подтверждаем эти результаты на задачах обучения унитарных преобразований и метрического обучения, выполняя онлайн-обучение на полностью программируемой фотонной интегрированной платформе. Наша работа подчёркивает потенциал фотонного QML и прокладывает путь к достижению квантового улучшения в практических приложениях машинного обучения.