量子卷积神经网络在有效意义上是经典可模拟的
软凝聚态物质
2024-09-13 v2 应用物理
计算物理
摘要
量子卷积神经网络 (QCNN) 被广泛视为量子机器学习 (QML) 的热门模型。本文将其启发式成功归因于两个事实：首先，当随机初始化时，它们只能作用于其输入状态在低 body-ness 测量中编码的信息；其次，它们通常在“局部容易”数据集上进行基准测试，这些数据集的状态正好可以通过这些低 body-ness 可观测量子子空间进行分类。我们进一步展示了 QCNN 对该子空间的作用可通过配备 Pauli 阴影的数据集的经典算法进行高效模拟。事实上，我们在最高 1024 量子比特上实现了针对相变分类的阴影基模拟 QCNN。我们的结果可理解为指出 QML 的更深层症状：模型之所以仅显示启发式成功，是因为它们是在简单问题上进行基准测试的，而这些问题的作用可被经典模拟。此洞见指向一个事实：非平凡数据集是推进 QML 真正必需的要素。最后，我们讨论了这些结果如何推广到模拟其他架构。
引用
@article{arxiv.2408.12738,
title = {Anti-correlation between excitations and locally-favored structures in glass-forming systems},
author = {Danqi Lang and Camille Scalliet and C. Patrick Royall},
journal= {arXiv preprint arXiv:2408.12738},
year = {2024}
}