利用张量网络对量子机器学习模型进行去量子化
量子物理
2024-06-27 v2
摘要
确定经典模型能否有效替代给定量子模型——去量子化——对于评估量子算法的真正潜力至关重要。在本工作中，我们借助张量网络形式体系引入了变分量子机器学习（VQML）模型函数类的可去量子化性，有效地将每个 VQML 模型识别为矩阵乘积态（MPS）模型的子类，其特征是受约束的系数 MPS 和基于张量积的特征映射。由该形式体系，我们确定了 VQML 模型函数类可去量子化或不可去量子化的条件。此外，我们引入了一种高效的量子核诱导经典核，其表现力与任意给定量子核相当，暗示了去量子化量子核方法的一种可能途径。这呈现了对 VQML 模型的透彻分析，并展示了我们张量网络形式体系的通用性，可依据其本征量子特性恰当区分 VQML 模型，从而将经典与量子机器学习模型统一于单一框架内。
引用
@article{arxiv.2307.06937,
title = {Dequantizing quantum machine learning models using tensor networks},
author = {Seongwook Shin and Yong Siah Teo and Hyunseok Jeong},
journal= {arXiv preprint arXiv:2307.06937},
year = {2024}
}
备注
15 + 14 pages, 8 + 9 figures