量子电路输出监督学习的挑战与机遇

近年来，深度神经网络已被证明能够预测相关随机量子电路的某些输出性质，这表明存在一种替代张量网络方法等直接模拟方法来模拟量子计算机的策略。然而，这种替代策略的适用范围尚不明确。在此，我们研究了神经网络在何种程度上能够学习预测变分量子算法中常用电路的输出期望值，即由 CNOT 门层与随机单量子比特旋转交替组成的电路。一方面，我们发现监督学习的计算成本随随机角度的层间方差呈指数级增长。这使得进入量子计算机可以轻松超越经典神经网络的机制成为可能。另一方面，仅具有量子比特间角度变化的电路很容易被模拟。事实上，得益于合适的可扩展设计，神经网络能够准确预测比训练所用电路更大、更深的电路输出，甚至达到了对于最常见的状态矢量和张量网络算法而言均难以处理的电路规模。我们提供了该机制下的测试数据仓库，用于未来量子器件和新型经典算法的基准测试。