用于机器学习的马尔可夫量子神经演化

神经演化是一个从自然界中大脑的演化汲取灵感的领域，它利用演化算法来构建人工神经网络。它具有许多基于梯度的方法通常无法获得的引人注目的能力，包括优化神经网络架构、超参数，甚至学习训练规则。在本文中，我们引入一种量子神经演化算法，可自主地为不同机器学习任务找到近最优的量子神经网络。具体而言，我们在量子电路与有向图之间建立一一映射，并将寻找适当门序列的问题化简为在相应图中作为马尔可夫过程搜索合适路径的任务。我们通过包括真实生活图像分类与对称性保护拓扑态分类在内的具体示例，对所引入算法的有效性进行基准测试。我们的结果展示了神经演化算法在量子架构搜索中的巨大潜力，这将推动借助含噪中等规模量子器件对量子学习优势的探寻。