量子神经网络训练景观中的贫瘠高原
量子物理
2019-02-04 v1 机器学习
化学物理
摘要
许多面向含噪中等规模量子器件的实验方案都涉及用经典优化循环训练参数化量子线路。此类混合量子-经典算法在量子模拟、优化和机器学习中应用广泛。由于其简单性和硬件高效性，随机线路常被作为探索量子态空间的初始猜测。我们表明，希尔伯特空间的指数维度与梯度估计的复杂度使得这一选择不适用于在超过少数几个量子比特上运行的混合量子-经典算法。具体而言，我们证明对于一大类合理的参数化量子线路，沿任意合理方向的梯度以某固定精度非零的概率，作为量子比特数的函数是指数小的。我们认为这与随机线路的2-设计特性有关，并且必须研究该问题的解决方案。
引用
@article{arxiv.1803.11173,
title = {Barren plateaus in quantum neural network training landscapes},
author = {Jarrod R. McClean and Sergio Boixo and Vadim N. Smelyanskiy and Ryan Babbush and Hartmut Neven},
journal= {arXiv preprint arXiv:1803.11173},
year = {2019}
}