CutReg：一种用于提升 QML 可扩展性的损失正则化器 via 自适应电路切割
量子物理
2025-06-19 v1 机器学习
摘要
QML 能否提供变革性优势仍是一个开放问题。NISQ 硬件的严重限制，尤其是电路深度和连通性，阻碍了量子优势的验证以及对诸如枕石平原等主要障碍的实证调查。电路切割技术已成为一种在较小、连接性更差的硬件上执行更大电路的策略，通过将其划分为子电路来实现。然而，这种划分会增加通过经典后处理估计期望值所需的样本数量，与直接从完整电路估计相比。这项工作引入了一种新型正则化项到 QML 优化过程中，直接惩罚样本开销的开销。我们演示了这一方法使优化器能够在门切割的优势与典型 ML 成本函数的优化之间进行权衡。具体而言，它在最小化切割开销和维持 QML 模型整体准确率之间寻求平衡，为追求量子优势以解决更大复杂问题的道路铺平了道路。
引用
@article{arxiv.2506.14858,
title = {CutReg: A loss regularizer for enhancing the scalability of QML via adaptive circuit cutting},
author = {Maniraman Periyasamy and Christian Ufrecht and Daniel D. Scherer and Wolfgang Mauerer},
journal= {arXiv preprint arXiv:2506.14858},
year = {2025}
}
备注
This work has been submitted to the QML@QCE workshop for possible publication