参数化量子电路损失景观中的模式连通性
量子物理
2021-11-10 v1 机器学习
摘要
参数化量子电路(PQC)的变分训练支撑着在近期噪声中等规模量子(NISQ)设备上使用的许多工作流程。它是一种混合量子-经典方法，通过最小化相关的成本函数来训练参数化拟设。在本文中，我们调整了文献[goodfellow2014qualitatively,li2017visualizing]中引入的神经网络定性损失景观特征描述和文献[draxler2018essentially]中使用的连通性测试，以研究PQC训练中的损失景观特征。我们展示了在简单回归任务上训练的PQC的结果，使用双层电路拟设，该拟设由参数化旋转门和纠缠门的交替层组成。使用3种不同的批量梯度优化器训练多个电路：随机梯度下降、量子自然梯度和Adam。我们识别出景观中的大特征，这些特征可以导致训练工作流程中更快的收敛。
引用
@article{arxiv.2111.05311,
title = {Mode connectivity in the loss landscape of parameterized quantum circuits},
author = {Kathleen E. Hamilton and Emily Lynn and Raphael C. Pooser},
journal= {arXiv preprint arXiv:2111.05311},
year = {2021}
}
备注
14 pages, related to work presented at QTML 2020