大型语言模型可帮助缓解量子神经网络中的贫瘠高原现象
量子物理
2026-04-14 v3 人工智能
计算与语言
机器学习
摘要
在含噪中等规模量子（NISQ）计算时代，量子神经网络（QNNs）已成为各种应用中极具前景的方法，但其训练常受到贫瘠高原的阻碍，即随着量子比特规模的增加，梯度方差呈指数级消失。大多数基于初始化的缓解策略严重依赖于预先设计的静态参数分布，因此缺乏对不同模型规模或数据条件的适应性。为了解决这些局限性，我们提出了 AdaInit，这是一个基础框架，利用具有下鞅性质的大型语言模型迭代地合成 QNNs 的初始参数，使其产生不可忽略的梯度方差，从而缓解 BPs。与传统的单次初始化方法不同，AdaInit 通过结合数据集特征和梯度反馈自适应地探索参数空间，并在理论上保证了能够找到一组对 QNNs 有效的初始参数。我们对基于下鞅的过程提供了严格的理论分析，并经验证地证明了 AdaInit 在各种 QNN 规模下保持更高的梯度方差方面，始终优于现有的初始化方法。我们相信这项工作可能会开启一条缓解 BPs 的新途径。
引用
@article{arxiv.2502.13166,
title = {Large Language Models Can Help Mitigate Barren Plateaus in Quantum Neural Networks},
author = {Jun Zhuang and Chaowen Guan},
journal= {arXiv preprint arXiv:2502.13166},
year = {2026}
}
备注
[ACL'26 Findings] TL;DR: We propose a new LLM-driven submartingale-based framework that adaptively generates effective initial parameters for quantum neural networks to mitigate barren plateaus by leveraging LLMs with the submartingale property