面向全可见玻尔兹曼机训练的量子硬件基准评测

量子退火（QA）是一种基于硬件的启发式优化与采样方法，适用于离散无向图模型。虽然与模拟退火类似，但 QA 依赖量子效应而非热效应来探索复杂的搜索空间。对于许多问题类别，已知 QA 相较于模拟退火具有计算优势。本文报告了近期 QA 硬件在加速全可见玻尔兹曼机训练方面的能力。我们刻画了 QA 硬件的采样分布特征，并表明在许多情况下，量子分布与经典玻尔兹曼分布存在显著差异。尽管存在这种差异，使用标准经典梯度更新的训练（旨在匹配数据与模型统计量）仍然有效。我们研究了使用 QA 为马尔可夫链播种，作为对比散度（CD）和持续对比散度（PCD）的替代方案。通过使用 $k=50$ 的吉布斯步，我们表明，对于模式间存在高能垒的问题，基于 QA 的种子可以改进以 CD 和 PCD 初始化的链。对于这些困难问题，QA 梯度估计更准确，并允许更快的学习。此外，有趣的是，即使是原始 QA 样本（即 $k=0$）的情况也取得了类似的改进。我们认为这与我们在此情况下训练的是量子而非经典玻尔兹曼分布这一事实有关。学习到的参数使得硬件 QA 分布能够紧密逼近那些难以用 CD/PCD 训练的经典玻尔兹曼分布。