引导式 SPSA：辅助参数位移规则的同时扰动随机逼近
量子物理
2025-06-03 v2 人工智能
摘要
变分量子算法 (VQC) 的研究近年来受到量子计算社区的广泛关注。这些混合算法利用了经典和量子组件，特别适用于噪声中间规模量子设备。虽然使用参数位移规则来估计 VQCs 的精确梯度在 NISQ 设备上是可实现的，但对于较大规模的问题规模并不表现良好。参数位移规则在梯度估计中所需的电路评估次数随 VQCs 参数数量线性增长。相比之下，类似同时扰动随机逼近 (SPSA) 的梯度近似技术则不随参数数量增长，但存在不稳定性问题，往往达到次优解。本文引入一种名为 Guided-SPSA 的新型梯度估计方法，将参数位移规则与 SPSA 基于梯度近似相结合。与参数位移规则相比，Guided-SPSA 在训练过程中可减少 15%~25% 的电路评估次数，同时找到的解的优化性更好或相同。Guided-SPSA 在所有情景下均优于标准 SPSA，并在参数次优初始化情景下优于参数位移规则。我们在数值上演示了 Guided-SPSA 在各种量子机器学习范式（如回归、分类和强化学习）中的性能。
引用
@article{arxiv.2404.15751,
title = {Guided-SPSA: Simultaneous Perturbation Stochastic Approximation assisted by the Parameter Shift Rule},
author = {Maniraman Periyasamy and Axel Plinge and Christopher Mutschler and Daniel D. Scherer and Wolfgang Mauerer},
journal= {arXiv preprint arXiv:2404.15751},
year = {2025}
}
备注
This paper has been accepted for publication in the proceedings of the 2024 IEEE International Conference on Quantum Computing and Engineering (QCE)