通过顺序哈密顿量组装改进 VQE 的参数训练
量子物理
2024-03-22 v1 机器学习
摘要
量子机器学习中的一个核心挑战是参数化量子电路（PQC）的设计与训练。与深度学习类似，梯度消失给 PQC 的可训练性带来了巨大问题，已知该问题源于多种因素。非局部损失函数即为原因之一，其要求对涉及的大量量子比特子集进行测量。为便于在量子应用中使用全局损失函数进行参数训练，我们提出了一种顺序哈密顿量组装方法，利用局部分量迭代地逼近损失函数。作为原理验证，我们使用图着色问题与变分量子本征求解器（VQE）对该方法进行了评估。仿真结果表明，在平均准确率上，我们的方法比常规参数训练高出 29.99%，比经验最先进的逐层学习方法高出 5.12%。这为局部感知学习技术铺平了道路，使其能够在大量实际相关问题中规避梯度消失现象。
引用
@article{arxiv.2312.05552,
title = {Improving Parameter Training for VQEs by Sequential Hamiltonian Assembly},
author = {Jonas Stein and Navid Roshani and Maximilian Zorn and Philipp Altmann and Michael Kölle and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2312.05552},
year = {2024}
}