基于近似合成的量子神经网络中的知识蒸馏
量子物理
2022-07-06 v1 新兴技术
摘要
近期关于量子神经网络(QNN)在特定机器学习(ML)任务上潜在优势的主张引发了大量应用研究者的兴趣。参数化量子电路(PQC)作为QNN的主要构建模块,由若干层单量子比特旋转和多量子比特纠缠操作组成。特定ML任务的最佳PQC层数通常是未知的。较大的网络在无噪声仿真中往往提供更好的性能,但在硬件上可能比更浅的网络表现更差。由于不同量子设备间的噪声量不同,PQC的最佳深度可能有显著差异。此外,由于编译开销,为PQC选择的门可能适用于一种硬件而不适用于另一种。这使得难以将QNN设计推广到广泛的硬件和噪声水平。另一种方法是针对每种硬件构建和训练多个QNN模型,但这可能代价高昂。为规避这些问题,我们引入使用近似合成的QNN知识蒸馏概念。所提方法将创建一个新QNN网络,其具有(i)减少的层数或(ii)不同的门集,而无需从头训练。对新网络训练几个周期可补偿由近似误差引起的损失。通过实证分析,我们展示了电路层数减少约71.4%,且在噪声下仍实现约16.2%更好的准确率。
引用
@article{arxiv.2207.01801,
title = {Knowledge Distillation in Quantum Neural Network using Approximate Synthesis},
author = {Mahabubul Alam and Satwik Kundu and Swaroop Ghosh},
journal= {arXiv preprint arXiv:2207.01801},
year = {2022}
}