利用HHL量子算法加速单层二值神经网络训练
量子物理
2023-01-12 v1 机器学习
摘要
二值神经网络是一种前景广阔的技术，可用以降低存储与计算需求来实现高效深度模型。然而其训练仍是计算密集型问题，且随层大小与数据输入急剧增长。该计算的核心为线性回归问题。Harrow-Hassidim-Lloyd (HHL)量子算法因有望提供含线性方程组解的量子态而受到关注。解在量子电路输出处以叠加形式编码。尽管这似乎为训练神经网络的线性回归问题提供了答案，其也伴随多个难以避免的障碍。本文然而表明，可从HHL的量子力学实现中提取有用信息，并用于降低经典侧求解的复杂度。
引用
@article{arxiv.2210.12707,
title = {Accelerating the training of single-layer binary neural networks using the HHL quantum algorithm},
author = {Sonia Lopez Alarcon and Cory Merkel and Martin Hoffnagle and Sabrina Ly and Alejandro Pozas-Kerstjens},
journal= {arXiv preprint arXiv:2210.12707},
year = {2023}
}
备注
Accepted in the 40th IEEE International Conference on Computer Design (ICCD'22). 9 pages, 8 figures, IEEEtran V1.8b