基于 SPSA 梯度的量子机器学习优化器实证比较
量子物理
2024-01-24 v1 机器学习
摘要
近年来，VQA（变分量子算法）引起了量子计算界的广泛关注。其混合量子-经典特性与相对浅层的量子电路，使其成为展示 NISQ 器件能力的有前景平台。尽管经典机器学习界聚焦于基于梯度的参数优化，但利用参数移位规则求取 VQC（变分量子电路）的近精确梯度会引入巨大的采样开销。因此，无梯度优化器在量子机器学习圈中日益流行。最有希望的候选者之一是 SPSA 算法，因其计算成本低且具固有噪声韧性。我们提出一种新方法，将 SPSA 的近似梯度与最先进的基于梯度的经典优化器结合使用。我们通过数值证明，在简单回归任务中，该方法在收敛速率与绝对误差上均优于标准 SPSA 与参数移位规则。当考虑 shot 噪声与硬件噪声时，我们的新方法相对采用随机梯度下降的 SPSA 的改进甚至被放大。我们还证明误差缓解并未显著影响我们的结果。
引用
@article{arxiv.2305.00224,
title = {An Empirical Comparison of Optimizers for Quantum Machine Learning with SPSA-based Gradients},
author = {Marco Wiedmann and Marc Hölle and Maniraman Periyasamy and Nico Meyer and Christian Ufrecht and Daniel D. Scherer and Axel Plinge and Christopher Mutschler},
journal= {arXiv preprint arXiv:2305.00224},
year = {2024}
}