用于加权图上学习的等变量子线路
量子物理
2023-04-25 v2 机器学习
摘要
变分量子算法是近期量子硬件上取得优势的主要候选方案。在此设定下训练参数化量子线路以解决特定问题时，ansatz 的选择是决定算法可训练性与性能的最重要因素之一。然而，在量子机器学习(QML)中，受训练数据结构启发的 ansatz 相关文献甚少。本工作中，我们引入一种用于加权图上学习任务的 ansatz，其尊重一种重要的图对称性，即节点置换下的等变性。我们在一个复杂学习任务即神经组合优化上评估该 ansatz 的性能，其中机器学习模型被用于学习组合优化问题的启发式策略。我们从解析与数值上研究了模型的性能，结果强化了对称性保持的 ansatz 是 QML 成功关键这一观念。
引用
@article{arxiv.2205.06109,
title = {Equivariant quantum circuits for learning on weighted graphs},
author = {Andrea Skolik and Michele Cattelan and Sheir Yarkoni and Thomas Bäck and Vedran Dunjko},
journal= {arXiv preprint arXiv:2205.06109},
year = {2023}
}
备注
17+3 pages, 10 figures, version accepted at journal