评估低分辨率控制电子器件对量子神经网络性能的影响
量子物理
2026-02-04 v2 新兴技术
摘要
扩展量子计算机需要将低温控制电子器件与量子处理器紧密集成，其中数模转换器(DAC)面临严格的功耗和面积限制。我们研究了在有限DAC分辨率约束下的量子神经网络(QNN)训练和推理，评估了两种QNN架构在四个不同数据集(MNIST、Fashion-MNIST、Iris、Breast Cancer)上的性能。当在具有6位DAC控制电子器件的量子系统上部署时，预训练的QNN实现了与无限精度基线几乎无法区分的准确率，表现出特征性的肘形曲线，在3-5位之后收益递减，具体取决于数据集。然而，在量化约束下直接训练QNN揭示了在低于12位分辨率时出现梯度死锁，其中参数更新低于量化步长，完全阻止了训练。我们引入了温度控制随机量化，通过概率参数更新克服了这一限制，从而能够在4-10位分辨率下成功训练。值得注意的是，随机量化不仅匹配，而且经常超过两种架构和所有数据集上的无限精度基线性能。我们的研究结果表明，低分辨率控制电子器件(4-10位)无需牺牲QML性能，同时能够在低温控制系统中实现显著的功耗和面积缩减，这对实际量子硬件扩展以及QML系统的硬件-软件协同设计具有重要意义。
引用
@article{arxiv.2601.04983,
title = {Assessing the Impact of Low Resolution Control Electronics on Quantum Neural Network Performance},
author = {Rupayan Bhattacharjee and Rohit Sarma Sarkar and Sergi Abadal and Carmen G. Almudever and Eduard Alarcon},
journal= {arXiv preprint arXiv:2601.04983},
year = {2026}
}
备注
9 pages, 12 figures