一类指数增长的通用量子电路族
量子物理
2023-08-31 v3 机器学习
摘要
量子机器学习已成为日益受关注的领域，但存在若干理论及硬件特定的局限。 notably，梯度消失或贫瘠高原问题使得高量子比特数电路的训练无法进行，对数据科学家可用于解决问题的最大量子比特数施加了限制。独立地，角度嵌入的监督量子神经网络被证明可生成截断傅里叶级数，其阶数直接依赖于两个因素：编码深度与编码所应用的并行量子比特数。傅里叶级数的阶数限制了模型的表达能力。本工作引入了两种傅里叶阶数呈指数增长的新架构：串行与并行指数量子机器学习架构。这是通过在编码时高效利用可用希尔伯特空间、提升量子编码的表达能力实现的。因此，指数增长使得在保持低量子比特限制的同时构建高表达能力电路，从而避免贫瘠高原。实践中，并行指数架构在一维测试问题中通过将最终均方误差值降低至多 44.7% 而优于现有线性架构。此外，该技术在囚禁离子量子处理单元上的可行性也得到了展示。
引用
@article{arxiv.2212.00736,
title = {An exponentially-growing family of universal quantum circuits},
author = {Mo Kordzanganeh and Pavel Sekatski and Leonid Fedichkin and Alexey Melnikov},
journal= {arXiv preprint arXiv:2212.00736},
year = {2023}
}
备注
14 pages, 7 figures