FV-Train：通过提取多样化特征以有限量子比特数训练量子卷积神经网络
量子物理
2022-09-20 v1
摘要
随着我们进入含噪声中等规模量子（NISQ）时代及更往后，量子卷积神经网络（QCNN）刚刚成为一个新兴的研究课题。由于QCNN中的卷积滤波器使用基于量子的拟设（ansatz）提取内在特征，它应当仅使用有限数量的量子比特以防止贫瘠高原（barren plateaus），而这导致了特征信息的缺失。在本文中，我们提出了一种新颖的QCNN训练算法，在使用仅有限数量量子比特的同时优化特征提取，称为保真度变化训练（FV-Training）。
引用
@article{arxiv.2209.08727,
title = {FV-Train: Quantum Convolutional Neural Network Training with a Finite Number of Qubits by Extracting Diverse Features},
author = {Hankyul Baek and Won Joon Yun and Joongheon Kim},
journal= {arXiv preprint arXiv:2209.08727},
year = {2022}
}
备注
2 pages, 3 figures