利用任务对齐对称性克服贫瘠高原

贫瘠高原——梯度的指数级消失——是训练可扩展量子神经网络的基本障碍。它们是否出现在量子循环神经网络（QRNN）中——一种用于序列数据的自然架构——仍然是一个紧迫的问题。在这里，我们表明，QRNN 中可训练性的决定性因素不是循环电路拓扑本身，而是通过跨时间步的参数共享来强制执行时间平移对称性。我们证明了，如果没有参数共享，QRNN 会遭受贫瘠高原，梯度方差随序列长度呈指数级衰减。跨时间步施加参数共享从根本上改变了这种缩放，将其转变为多项式依赖，从而抑制了贫瘠高原。数值模拟证实了这些分析预测。通过严格展示时间平移对称性如何抑制贫瘠高原并增强 QRNN 的学习能力，我们的工作将任务对齐对称性确立为量子神经网络中表达性-可训练性张力的建设性解决方案。