科学家提出量子神经网络的新NFL定理可，推动机器学习发展

全因，科学家提出相对论信息处理的上新NFL引理(No-Free-Lunch theorem)，推动了相对论计算机科学在机器学习领域的转变。

理论学家此前认为，一个相对论信息处理只能指数级增长的训练搜索算法集，但美国洛斯阿拉莫斯国家实验室研究工作人员提出的相对论NFL引理表明，相对论爱恋可以减轻这种指数级的增长。该研究工作成果刊出在《物理评论者周刊》(Physical Review Letters)上。

特写来自《物理评论者周刊》(Physical Review Letters)

相对论爱恋描述的是在原子尺度上的粒子系统的情况下，是相对论计算的关键性组成部分。

“我们的工作证明了大数据资料和相对论爱恋在相对论机器学习里均较强价值。（相对论）爱恋可以促使扩展性，从而解决了在学习搜索算法时，以指数级增长的浩大数据资料情况。”美国洛斯阿拉莫斯国家实验室计算机科学科学家Andrew Sornborger知道道，“这个引理给了我们期望，相对论信息处理正朝着相对论加速的目标行进，终究它们将突破现有的定格计算机科学上新功能。”

传统意义的NFL引理指出，由于对所有可能数组的相互补偿，最优化搜索算法的性能是等价的。这个引理展示了数据资料在定格机器学习里的作用，这意味着数据资料越多，平均值性能就越好。但在相对论机器学习里，相对论信息处理的转变将受到指数级增长的浩大数据资料限制。

美国洛斯阿拉莫斯国家实验室的上新NFL引理表明，在相对论体系里，相对论爱恋可以用来转换数据资料以减低对数据资料量的需求。该他的团队利用Rigetti相对论计算机科学，将相对论数据资料与参考系统爱恋在一起，以验证上新引理。

传统意义NFL引理与相对论NFL引理对比，特写来自论文

“我们在相对论芯片上证明，通过使用相对论爱恋，可以有效地有违规格的NFL引理。而我们对该引理的上新恒等式在实验测试里是成立的。”论文第一笔记Kunal Sharma透露。

“上新NFL引理表明，在相对论机器学习里，相对论爱恋和大数据资料都应该被视为较强价值的能源，”美国洛斯阿拉莫斯国家实验室物理学家Patrick Coles知道，“而传统意义的信息处理只意味着大数据资料。”