关于量子生成模型中非线性的可模拟性与优化问题的补充研究
量子物理
2024-04-30 v2 机器学习
神经与进化计算
摘要
近期工作展示了通过重复直至成功（RUS）子例程将非线性引入量子电路以用于生成建模的效用。作为该工作的后续，我们调查了与量子算法和机器学习社区相关的两个问题：引入此种非线性是否因延迟测量原理而使学习模型可经典模拟？以及引入此种非线性是否使整体模型的训练更不稳定？关于第一个问题，我们证明 RUS 子例程不允许我们将该量子模型平凡映射为经典模型，而一个不含 RUS 子电路但含电路中测量的模型可因量子力学的延迟测量原理映射为经典贝叶斯网络。这强烈表明所提出的非线性形式使模型在经典上模拟低效。在探究第二个问题方面，我们在三个不同概率分布（一个连续和两个离散）上训练了比先前所示更大的模型，并跨多次随机试验比较训练性能。我们观察到，尽管模型在某些试验中表现极为良好，但在特定数据集上跨试验的方差量化了其相对较差的训练稳定性。
引用
@article{arxiv.2302.00788,
title = {A supplemental investigation of non-linearity in quantum generative models with respect to simulatability and optimization},
author = {Kaitlin Gili and Rohan S. Kumar and Mykolas Sveistrys and C. J. Ballance},
journal= {arXiv preprint arXiv:2302.00788},
year = {2024}
}