用于灵活学习结构化经典信息的连续变量深度量子神经网络
量子物理
2020-09-04 v2 计算物理
摘要
利用光学模式进行量子计算在构建深度神经网络方面的能力已得到充分确立。这些网络已被证明在架构上以及所处理数据的类型上都具灵活性。我们利用连续变量（CV）模型的这一特性来构建堆叠的单模网络，其被证明能够学习结构化的经典信息，同时对网络规模不加限制，并保持其复杂度。CV模型的标志是其能够使用一组允许其保持完全酉性的门来锻造非线性函数。所提模型例证了合适的光子硬件可与当今光通信系统集成为满足我们信息处理需求的方式。在本文中，我们使用Strawberry Fields软件库在手写数字MNIST数据集上，展示了该网络学习经典信息的适应性，保真度大于99.98%。
引用
@article{arxiv.2006.10927,
title = {Continuous-Variable Deep Quantum Neural Networks for Flexible Learning of Structured Classical Information},
author = {Jasvith Raj Basani and Aranya B Bhattacherjee},
journal= {arXiv preprint arXiv:2006.10927},
year = {2020}
}
备注
14 pages, 7 figures