让量子神经网络自主选择频率

作为参数化机器学习模型，参数化量子线路通常可很好地用输入特征的偏傅里叶级数表示，其频率由特征映射的生成哈密顿量唯一确定。通常，这些数据编码生成元是预先选定的，从而固定了可表示的函数空间。在本工作中，我们考虑将量子模型推广为在生成元中包含一组可训练参数，从而得到可训练频率（TF）量子模型。我们通过数值演示了TF模型如何学习具有解决当前任务所需特性的生成元，包括其频谱中非规则间隔的频率以及灵活的光谱丰富度。最后，我们展示了该方法的实际有效性，在求解纳维-斯托克斯方程时，使用仅在每次编码操作中添加一个参数的TF模型即实现了精度提升。由于TF模型涵盖了传统的固定频率模型，它们可能为变分量子机器学习提供一个合理的默认选择。