基于 L0 正则化的量子-经典混合压缩感知方法
量子物理
2022-05-09 v5 无序系统与神经网络
统计力学
光学
摘要
基于 L0 正则化的压缩感知(L0-RBCS)有潜力优于基于 L1 正则化的压缩感知(L1-RBCS)，但 L0-RBCS 中的优化较为困难，因其是一个组合优化问题。为在 L0-RBCS 中执行优化，我们提出了一种由量子机器与经典数字处理器组成的量子-经典混合系统。相干伊辛机(CIM)是该系统的合适量子机器，因为此优化问题只能由密集连接网络求解。为从理论上评估 CIM-经典混合系统的性能，引入了截断 Wigner 随机微分方程(W-SDE)作为简并光学参量振荡器网络的模型，并通过对 W-SDE 应用统计力学导出宏观方程。我们表明，该系统性能原则上接近压缩感知的理论极限，并且该混合系统在实际情形（如磁共振成像数据分析）中可能超过 L1-RBCS 的估计精度。
引用
@article{arxiv.2102.11412,
title = {L0 regularization-based compressed sensing with quantum-classical hybrid approach},
author = {Toru Aonishi and Kazushi Mimura and Masato Okada and Yoshihisa Yamamoto},
journal= {arXiv preprint arXiv:2102.11412},
year = {2022}
}
备注
43 pages, 10 figures