Ricerca
Ottimizzazione non convessa tramite ricerca per tunneling quantistico su un chip fotonico
L’ottimizzazione non convessa svolge un ruolo importante nel moderno apprendimento automatico, poiché molti problemi del mondo reale presentano funzioni obiettivo o vincoli con proprietà non convesse.

- arXiv
- 2611.16791
- Pubblicato
- 2026-11-12
- Autori
- Xi-Jun Yuan, Shuo Zhou, Yizhou Liu, Xuan Chen, Hong-Jing Du, Xiao-Wen Shang, Wen-Hao Zhou, Yu-Xuan Fu, Bao-Jing Liu, Ze-Feng Lan, Hang Song, Fang-Song Nie, Yu-Lin Yu, Xiao-Yun Xu, Jian-Peng Dou, Tongyang Li, Hao Tang, Xian-Min Jin
Abstract degli autori
L’ottimizzazione non convessa svolge un ruolo importante nel moderno apprendimento automatico, poiché molti problemi del mondo reale presentano funzioni obiettivo o vincoli con proprietà non convesse. La natura non convessa dei paesaggi dà origine a numerosi minimi locali e punti di sella, ostacolando notevolmente la capacità dei metodi basati sulla discesa del gradiente di esplorare il paesaggio e trovare ottimi globali. Qui presentiamo la ricerca per tunneling quantistico (QTS), un algoritmo basato su una passeggiata quantistica per tunneling e sull’annealing locale, che esplora efficacemente il paesaggio non convesso sfruttando l’effetto di tunneling quantistico. Negli esperimenti, mappiamo una funzione obiettivo sul termine di potenziale della Hamiltoniana della guida d’onda, controllando l’indice di rifrazione con la tecnica di scrittura diretta con laser a femtosecondi. Con uno stato di ingresso adeguato, le distribuzioni medie di probabilità negli array di guide d’onda 29 × 1 e 21 × 9, con guide distanziate di 10 micrometri, mettono in evidenza i minimi locali di diversi paesaggi non convessi unidimensionali e bidimensionali, rispettivamente. Introducendo inoltre l’approccio a Hamiltoniana variabile, si ottengono una ricerca più efficiente e persino l’identificazione del minimo globale. Il nostro lavoro verifica sperimentalmente che QTS è un risolutore efficiente e di successo per l’ottimizzazione non convessa, dimostrando accelerazioni quantistiche rispetto alla discesa stocastica del gradiente classica (SGD), e costituisce un’applicazione pratica dei simulatori quantistici analogici del prossimo futuro nel campo dell’apprendimento automatico.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv