参数化量子电路中的反向传播缩放

反向传播算法的发现堪称机器学习史上最重要的时刻之一，其能以与模型评估大致相同的计算代价计算梯度，从而使大规模神经网络训练成为可能。尽管其重要，类似反向传播的参数化量子电路梯度评估缩放却一直难以实现。目前最流行的方法需从随电路参数数量缩放的电路集合中采样，使大规模量子电路训练在实践中代价过高。此处我们通过引入一类未知可经典模拟且允许以显著更少电路进行梯度估计的结构化电路来解决此问题。在最简单情形——参数输入对易量子门——下，这些电路允许快速估计梯度、高阶偏导与 Fisher 信息矩阵。此外，存在特定的参数化电路族，其梯度估计缩放与经典反向传播一致，从而可规模化训练。在一个 16 量子比特的玩具分类问题中，此类电路展现出与其他方法竞争的性能，同时将训练代价降低约两个数量级。