一种具有高效经典可模拟性的新型并行 QCNN 架构

这项工作展示了一种用于 Modified National Institute of Standards and Technology (MNIST) 数据集图像二分类的新型量子卷积神经网络 (QCNN) 实现的研究。使用受先前 QCNN 和经典卷积神经网络 (CNN) 实现启发的新颖架构，我们采用分层划分方法来实现一个 QCNN 电路，该电路可以在经典机器上针对大问题进行近似和高效模拟。首先，将原始图像划分，使得每个进程处理图像的一小部分，该部分被编码为独立状态。然后，这些分区合并和组合，产生包含来自两个分区信息的状态，同时将进程数减半。重复此过程直到只剩下一个进程，我们降低状态的维度，直到剩下一个量子比特用于测量。使用这种方法，我们可以并行使用多个进程来模拟大型 QCNN 程序，而无需随着量子比特数量的增加而指数增长的硬件需求。在我们的工作中，我们使用这种方案训练了一个 128 量子比特模型，如果没有新颖的架构，这在任何经典超级计算机上都是不可能运行的。我们还通过训练模型在 MNIST 数据集上使用少量量子比特进行二分类，并将其与没有划分的模型进行比较，来探索这种新模型架构对预测精度的影响。我们的初步发现表明，使用这种架构将图像划分为更小的子图像不会降低模型的性能，有时甚至可以提高性能，这可能是因为它减少了划分过程中的贫瘠高原问题。