量子电路玻恩机具有泛化能力吗
量子物理
2023-05-16 v4 机器学习
摘要
在近期提出的用于生成任务的量子电路模型中，关于其性能的探讨仅限于复现已知目标分布的能力。例如，诸如量子电路玻恩机（Quantum Circuit Born Machines, QCBMs）这类具有强表达能力的模型族，几乎完全是在以高准确度学习给定目标分布的能力上被评估的。尽管这一方面对某些任务而言或许是理想的，但它将生成模型评估的范围局限在其记忆数据而非泛化的能力上。因此，人们对模型的泛化性能以及这种能力与资源需求（例如电路深度和训练数据量）之间的关系知之甚少。在这项工作中，我们利用最近提出的泛化评估框架来开始填补这一知识空白。我们首先研究了 QCBM 对基数约束分布的学习过程，并观察到随着电路深度的增加，泛化性能有所提升。在本文给出的 12 量子比特示例中，我们观察到在训练集中仅含 30% 有效数据的情况下，QCBM 在生成未见过的有效数据方面表现出最佳的泛化性能。最后，我们评估了 QCBM 不仅向有效样本、而且向按照适当重加权分布分布的高质量比特串泛化的能力。我们看到 QCBM 能够有效学习重加权数据集，并生成比训练集中质量更高的未见样本。据我们所知，这是文献中首项将 QCBM 的泛化性能作为量子生成模型整体评估指标提出，并展示 QCBM 向高质量、期望的新颖样本泛化能力的工作。
引用
@article{arxiv.2207.13645,
title = {Do Quantum Circuit Born Machines Generalize?},
author = {Kaitlin Gili and Mohamed Hibat-Allah and Marta Mauri and Chris Ballance and Alejandro Perdomo-Ortiz},
journal= {arXiv preprint arXiv:2207.13645},
year = {2023}
}