利用量子退火器训练深度生成模型迈向量子优势的路径
量子物理
2019-12-05 v1 机器学习
摘要
量子-经典混合（QCH）算法的发展对于实现最先进的计算模型至关重要。本文部分作者曾在文献[1]中引入QCH变分自编码器（QVAE）。QVAE由传统深度神经网络实现的经典自编码结构组成，用于对离散潜空间执行推断和生成。潜生成过程被形式化为来自量子或经典玻尔兹曼机（QBM或BM）的热采样。该设置允许通过量子退火器物理模拟生成过程来进行量子辅助的深度生成模型训练。在本文中，我们成功地将D-Wave量子退火器作为玻尔兹曼采样器，以执行QVAE的量子辅助端到端训练。QVAE的混合结构使我们能够在QCH生成模型中部署当前一代量子退火器，在MNIST等数据集上取得有竞争力的性能。本文呈现的结果表明，市售量子退火器可与精心设计的经典深度神经网络结合使用，在大规模数据集上的无监督和半监督任务中取得有竞争力的结果。我们还提供证据表明，我们的设置能够利用大型潜空间（Q）BM，其发展出缓慢混合模式。这种富有表现力的潜空间导致缓慢且低效的经典采样，并为在现实采样应用中利用量子退火实现量子优势铺平了道路。
引用
@article{arxiv.1912.02119,
title = {A Path Towards Quantum Advantage in Training Deep Generative Models with Quantum Annealers},
author = {Walter Vinci and Lorenzo Buffoni and Hossein Sadeghi and Amir Khoshaman and Evgeny Andriyash and Mohammad H. Amin},
journal= {arXiv preprint arXiv:1912.02119},
year = {2019}
}
备注
20 pages, 14 figures