一种端到端可训练的经典-量子混合分类器
量子物理
2021-10-13 v1 机器学习
摘要
我们引入一种结合量子启发张量网络与变分量子线路的混合模型来执行监督学习任务。该架构允许模型的经典部分和量子部分同时训练，提供端到端训练框架。我们展示，与主成分分析相比，基于低键维矩阵乘积态的张量网络在 MNIST 和 Fashion-MNIST 数据集的二类和三类分类中，作为变分量子线路输入数据的特征提取器表现更优。该架构高度自适应，并且通过利用张量网络与量子线路之间的对应关系，可根据量子资源的可用性调整经典-量子边界。
引用
@article{arxiv.2102.02416,
title = {An end-to-end trainable hybrid classical-quantum classifier},
author = {Samuel Yen-Chi Chen and Chih-Min Huang and Chia-Wei Hsing and Ying-Jer Kao},
journal= {arXiv preprint arXiv:2102.02416},
year = {2021}
}
备注
13 pages, 5 figures. arXiv admin note: text overlap with arXiv:2011.14651