参数化量子电路的分析：表达性与量子门类型的关联
量子物理
2024-08-12 v2
摘要
表达性是参数化量子电路(PQC)的关键因素。在基于变分量子算法(VQA)的量子机器学习(QML)中，由高度可表达PQC和足够数量的量子比特组成的QML模型理论上能够近似任何任意连续函数。虽然许多研究探索了表达性与学习性能之间的关系，以及PQC中层数的关系，但表达性与PQC结构之间的关联受到的关注相对较少。本文使用梯度提升树模型和SHapley Additive exPlanations(SHAP)值分析表达性与PQC中量子门类型的关联。我们的分析在1,615个PQC实例上进行，来自19种PQC拓扑，每种拓扑包含2-18个量子比特和1-5层。我们的发现为设计高度可表达PQC提供了指导，建议在保持CNOT门数量的适当平衡下，集成更多的RX或RY门。此外，我们的评估提供了表达性饱和的额外证据，正如先前研究所观察到的。
引用
@article{arxiv.2408.01036,
title = {Analysis of Parameterized Quantum Circuits: on The Connection Between Expressibility and Types of Quantum Gates},
author = {Yu Liu and Kentaro Baba and Kazuya Kaneko and Naoyuki Takeda and Junpei Koyama and Koichi Kimura},
journal= {arXiv preprint arXiv:2408.01036},
year = {2024}
}
备注
8 pages, 9 figures