IQP Born 机器在数据依赖性与无关初始化策略下的表现
量子物理
2026-03-17 v1 机器学习
机器学习
摘要
基于瞬时量子多项式时间（IQP）电路的量子电路Born机器因其概率结构以及在特定情境下IQP抽样可被证明经典难以计算，成为量子生成式建模的自然候选者。最近的研究聚焦于使用基于低体积Pauli-Z关联子构建的最大均值偏差（MMD）损失函数的IQP-QCBM训练，但初始化对最终优化景观的影响尚未得到充分理解。在本工作中，我们首先证明了对于随机全角度范围初始化的IQP电路，MMD损失景观存在枯竭谷（barren plateaus）。随后，我们给出身份初始化和无偏数据无关初始化的损失方差下界。我们进一步考虑一种更符合目标分布的数据依赖初始化策略，该策略在适当假设下可保证可证明的梯度，通常能更快地收敛至良好极小值（如我们在150量子比特的基因组数据训练所示）。最后，作为副产品，我们开发的方差下界框架适用于一般非线性损失函数，为量子机器学习中的热启动分析提供了更广泛的工具。
引用
@article{arxiv.2603.14576,
title = {IQP Born Machines under Data-dependent and Agnostic Initialization Strategies},
author = {Sacha Lerch and Joseph Bowles and Ricard Puig and Erik Armengol and Zoë Holmes and Supanut Thanasilp},
journal= {arXiv preprint arXiv:2603.14576},
year = {2026}
}
备注
16 + 35 pages, 3 + 4 figures