قضیه جدید Los Alamos No-Free-Lunch نشان می دهد که در رژیم کوانتومی درهم تنیدگی نیز یک ارز است و ارزی است که می تواند برای کاهش نیازهای داده با داده مبادله شود.
اندرو سورنبورگر، یکی از محققان، گفت: “کار ما ثابت می کند که داده های بزرگ و درهم تنیدگی بزرگ در یادگیری ماشین کوانتومی ارزشمند هستند. حتی بهتر از آن، درهم تنیدگی منجر به مقیاس پذیری می شود، که مانع افزایش تصاعدی اندازه داده ها به منظور یادگیری آن ها را حل می کند.” دانشمند کامپیوتر در لوس آلاموس و یکی از نویسندگان مقاله که در 18 فوریه منتشر شد نامه های بررسی فیزیکی این قضیه به ما امیدواری می‌دهد که شبکه‌های عصبی کوانتومی در مسیر رسیدن به هدف افزایش سرعت کوانتومی هستند، جایی که در نهایت از همتایان خود در رایانه‌های کلاسیک بهتر عمل خواهند کرد.»
پاتریک کولز، فیزیکدان در لوس آلاموس و نویسنده ارشد این مقاله، گفت: قضیه ما نشان می دهد که درهم تنیدگی باید به عنوان یک منبع ارزشمند در یادگیری ماشین کوانتومی، همراه با داده های بزرگ در نظر گرفته شود. شبکه های عصبی کلاسیک فقط به داده های بزرگ وابسته هستند.
قضیه کلاسیک No-Free-Lunch بیان می‌کند که هر الگوریتم یادگیری ماشینی زمانی که عملکرد آنها بر روی تمام توابع ممکن که داده‌ها را به برچسب‌هایشان متصل می‌کنند، میانگین داده شود، به خوبی، اما بهتر از هر الگوریتم دیگری نیست. پیامد مستقیم این قضیه که قدرت داده ها را در یادگیری ماشین کلاسیک نشان می دهد این است که هر چه داده های فرد بیشتر باشد، میانگین عملکرد بهتری دارد. بنابراین، داده واحد پولی در یادگیری ماشینی است که در نهایت عملکرد را محدود می کند.
