基于张量网络的生成式机器学习：近-term 量子计算机上的基准测试
量子物理
2021-04-07 v1
摘要
噪声中等规模量子（NISQ）计算设备在过去几年已成为工业现实，这些设备的基于云接口使得在一系列问题上探索近-term 量子计算成为可能。由于 NISQ 设备对许多已知具有量子优势算法而言过于噪声化，发现近-term 设备的有影响力应用是激烈的研究兴趣所在。我们通过张量网络（TNs）的视角探索 NISQ 设备上的量子辅助机器学习（QAML），张量网络为设计资源高效且具表达力的机器学习模型以提供稳健平台，从而可部署于量子设备。特别地，我们提出一个使用经典技术设计与优化基于 TN 的 QAML 模型、进而将这些模型编译以在量子硬件上运行的框架，并给出生成式矩阵乘积态（MPS）模型的演示。我们提出一种用于 MPS 模型的广义规范形，有助于编译到量子设备，并演示了针对给定拓扑和门集的贪婪启发式编译方法，其在纠缠门（如 CNOT）数量上优于已知通用方法，某些情况下优出一个数量级。我们提出一个用于评估 MPS QAML 模型性能的精确可解基准问题，并给出规范 MNIST 手写数字数据集上的应用。通过分析原始实验计数与推断分布的统计散度，探究了硬件拓扑与日间实验噪声波动对模型性能的影响。我们还使用硬件模拟器对去极化与读出噪声对模型性能的影响进行了参数研究。
引用
@article{arxiv.2010.03641,
title = {Generative machine learning with tensor networks: benchmarks on near-term quantum computers},
author = {Michael L. Wall and Matthew R. Abernathy and Gregory Quiroz},
journal= {arXiv preprint arXiv:2010.03641},
year = {2021}
}
备注
31 pages. 18+49 figures