稀缺且含噪数据下的量子代理模型基准测试
量子物理
2024-03-22 v3 新兴技术
摘要
代理模型在工业界和学术界被广泛用于高效逼近给定的黑箱函数。由于经典机器学习的最先进方法经常难以在实际应用里常见的稀缺且含噪数据集上准确解决该问题，研究新方法具有重大意义。受近期理论结果——表明量子神经网络（QNNs）在稀缺且含噪数据存在时有望超越其经典对应物——的启发，我们针对此场景对其定性性能进行了实证基准测试。我们的贡献展示了首个以应用为中心、将 QNNs 用作高维真实世界数据上代理模型的方法。与参数数量相近的经典人工神经网络相比，我们的 QNN 在含噪和稀缺数据上表现出明显更优的结果，从而激励未来工作探索这种在代理建模中的潜在量子优势。最后，我们在当前的 NISQ 硬件上实验演示了性能，并估算了复现我们仿真结果所需的门保真度。
引用
@article{arxiv.2306.05042,
title = {Benchmarking Quantum Surrogate Models on Scarce and Noisy Data},
author = {Jonas Stein and Michael Poppel and Philip Adamczyk and Ramona Fabry and Zixin Wu and Michael Kölle and Jonas Nüßlein and Daniëlle Schuman and Philipp Altmann and Thomas Ehmer and Vijay Narasimhan and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2306.05042},
year = {2024}
}