GQHAN：一种受 Grover 启发的量子硬注意力网络
量子物理
2024-01-26 v1 人工智能
摘要
当前许多量子机器学习（QML）模型在识别量子数据重要性方面存在不足，导致处理大规模量子数据集时效率降低。硬注意力机制（HAM）有望高效解决上述 QML 瓶颈，但面临不可微分的重大挑战，从而限制了其广泛应用。针对 HAM 与 QML 的困境，本文提出了一种受 Grover 启发的量子硬注意力机制（GQHAM），该机制由灵活预言机（FO）和自适应扩散算子（ADO）组成。值得注意的是，FO 旨在通过以灵活控制（FC）执行离散基元（DP）的激活或掩蔽来编织各种离散命运，从而克服不可微分问题。基于此，这种离散选择可以通过专门定义的量子硬注意力分数（QHAS）进行可视化。此外，设计了一个可训练的 ADO 以提升 GQHAM 的通用性和灵活性。最后，在 PennyLane 平台上构建了一个基于 QGHAM 的受 Grover 启发的量子硬注意力网络（GQHAN），用于 Fashion MNIST 二分类。实验结果表明，GQHAN 巧妙地克服了不可微分障碍，在准确率和学习能力上超越了现有量子软自注意力机制。在噪声实验中，GQHAN 在准确率上对位翻转噪声更鲁棒，在学习性能上对振幅阻尼噪声更鲁棒。可以预见，GQHAN 的提出丰富了量子注意力机制（QAM），为未来量子计算机处理大规模数据奠定了基础，并促进了量子计算机视觉的发展。
引用
@article{arxiv.2401.14089,
title = {GQHAN: A Grover-inspired Quantum Hard Attention Network},
author = {Ren-Xin Zhao and Jinjing Shi and Xuelong Li},
journal= {arXiv preprint arXiv:2401.14089},
year = {2024}
}