基于张量网络与变分量子电路的混合量子-经典分类器
量子物理
2020-12-01 v1 机器学习
摘要
在噪声中等规模量子（NISQ）设备上执行量子机器学习（QML）的一个关键步骤是在编码前对输入数据进行降维。传统的主体成分分析（PCA）和神经网络已被用于执行此任务；然而，经典层与量子层通常是分开训练的。因此，一个能更好地整合这两个关键组件的框架是高度期望的。在此我们引入一种结合量子启发的张量网络（TN）与变分量子电路（VQC）来执行监督学习任务的混合模型，其允许端到端训练。我们表明，在 MNIST 数据集的二分类中，基于矩阵乘积态的低键维数 TN 作为特征提取器压缩 VQC 输入数据优于 PCA。该架构具有高度适应性，并可在可用时轻松纳入额外的量子资源。
引用
@article{arxiv.2011.14651,
title = {Hybrid quantum-classical classifier based on tensor network and variational quantum circuit},
author = {Samuel Yen-Chi Chen and Chih-Min Huang and Chia-Wei Hsing and Ying-Jer Kao},
journal= {arXiv preprint arXiv:2011.14651},
year = {2020}
}
备注
8 pages, 7 figures, and 1 table. Proceeding for the First Workshop on Quantum Tensor Networks in Machine Learning, 34th Conference on Neural Information Processing Systems (NeurIPS 2020), Vancouver, Canada