利用权重重映射改善量子变分分类器的收敛性
量子物理
2023-02-17 v2 机器学习
摘要
近年来，量子机器学习中变分量子线路（VQCs）的使用大幅增加。VQCs 受人工神经网络启发，后者作为大规模参数化函数逼近器在广泛 AI 任务中表现卓越。VQCs 已展现出有前景的结果，例如利用量子计算中更鲁棒的算法工具箱在泛化能力与训练所需更少参数方面。VQCs 的可训练参数或权重通常用作旋转门中的角度，而当前基于梯度的训练方法并未考虑这一点。我们引入 VQCs 的权重重映射，将权重明确映射到长度为 的区间，灵感来自传统 ML 中数据重缩放或归一化技术在多种情形下展现的巨大益处。我们采用一组五个函数，并以变分分类器为例在 Iris 与 Wine 数据集上评估它们。实验表明权重重映射能在所有测试设定中改善收敛性。此外，我们得以证明权重重映射使 Wine 数据集的测试准确率较未修改权重提升 。
引用
@article{arxiv.2212.14807,
title = {Improving Convergence for Quantum Variational Classifiers using Weight Re-Mapping},
author = {Michael Kölle and Alessandro Giovagnoli and Jonas Stein and Maximilian Balthasar Mansky and Julian Hager and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2212.14807},
year = {2023}
}
备注
Accepted at ICAART 2023