预训练张量网络分类器的绝热编码嵌入量子电路
量子物理
2025-04-15 v1 强关联电子
机器学习
摘要
尽管量子神经网络 (QNN) 提供了强大的分类任务方法，但 QNN 的训练面临两个主要障碍：枕竖谷 (barren plateaus) 和局部极小值。一个有前景的解决方案是先对张量网络 (TN) 模型进行经典训练，然后将其嵌入 QNN。然而，将 TN 分类器嵌入量子电路通常需要后选 (postselection)，其成功概率可能随系统规模呈指数衰减。我们提出了一种\emph{绝热编码}框架，将预训练的 MPS 分类器编码到量子 MPS (qMPS) 电路中并采用后选，同时逐步移除后选以保持性能。我们证明了在某种人工数据集上从头训练 qMPS 分类器是指数困难的，这是由于枕竖谷导致的，但我们的绝热编码规避了这一问题。此外，额外的数值实验在二进制 MNIST 数据集上也确认了其鲁棒性。
引用
@article{arxiv.2504.09250,
title = {Adiabatic Encoding of Pre-trained MPS Classifiers into Quantum Circuits},
author = {Keisuke Murota},
journal= {arXiv preprint arXiv:2504.09250},
year = {2025}
}