一项来自量子机器学习领域的最新研究揭示了一个重要发现，挑战了经典的信息扰动理论。根据洛斯阿拉莫斯国家实验室博士后Zoe Holmes及其同事的研究，这项新成果表明，量子机器学习在学习某些随机或混沌过程（如描述黑洞的行为）时存在根本性的局限性。这项研究成果将于5月13日发表在《物理评论快报》上。

Holmes解释道：“这一发现强调了理解量子机器学习局限性的必要性，尽管它并不否定量子机器学习的能力，因为许多物理过程相对简单且结构化，不会像随机过程那样难以预测。”

在著名的“海登-普雷斯基尔思想实验”中，虚拟人物爱丽丝将一本书投入黑洞，而她的朋友鲍勃则尝试利用量子纠缠找回书中的信息。然而，最新的研究表明，鲍勃要学习黑洞的具体物理细节并重建书中的信息将面临巨大挑战。洛斯阿拉莫斯的计算机科学家Andrew Sornborger指出：“一旦信息被黑洞这样的扰动器扰乱，机器学习算法可能会陷入‘荒芜高原’，导致无法继续训练。”

“荒芜高原”是指优化算法中某些难以克服的数学区域，在这些区域中，随着系统规模的增大，问题的复杂性会呈指数级增长。这种现象限制了大规模量子神经网络的训练效果。Sornborger补充说，这一发现不仅适用于黑洞，还可能影响其他复杂系统的分析。

研究的另一位作者Andreas Albrecht表示：“虽然量子机器学习在理解和分析复杂系统方面具有潜力，但我们的研究指出了其固有的局限性。”他还提到，即使是少量的先验知识也可能极大地提升我们从复杂系统中提取信息的能力，从而改变现有定理的应用范围。

Holmes认为，这一发现或许能让爱丽丝的机密更加安全，但她也指出，海登和普雷斯基尔提出的方法可能需要更多假设条件才能实现。她和同事们的研究假设了对量子扰动器缺乏先验知识的情况，而在实际科学探索中，这种情况较为罕见。

未来的研究可能会发现更多例子，展示这项定理在某些情况下的有效性，以及在哪些情况下可以绕过这些限制。这一领域的进一步探索将有助于更好地理解量子机器学习的潜力和局限性。