多层神经网络中量子感知器训练的无导数方法
量子物理
2021-12-22 v1 人工智能
机器学习
摘要
在本文中，我们提出一种基于量子感知器的多层神经网络训练的免梯度方法。此处，我们脱离经典感知器与量子比特（即 qubits）上的基本操作，以量子感知器的形式表述该问题。随后我们利用可测算子以符合 Markov 过程的方式定义网络状态。这给出了与量子力学一致的 Dirac-Von Neumann 表述。此外，此处给出的表述具有计算效率与网络层数无关的优势。这一点，结合量子计算固有的效率，可意味着效率的显著提升，尤其对深度网络而言。最后同样重要的是，此处的发展具有相当的一般性，因为所提方法也可用于常规计算机上实现的量子启发式神经网络。
引用
@article{arxiv.2009.13264,
title = {A Derivative-free Method for Quantum Perceptron Training in Multi-layered Neural Networks},
author = {Tariq M. Khan and Antonio Robles-Kelly},
journal= {arXiv preprint arXiv:2009.13264},
year = {2021}
}
备注
9 pages, 2 figures, Accepted in ICONIP 2020