基于张量网络电路的多类量子分类器用于量子相识别
量子物理
2022-03-23 v1
摘要
基于变分电路的混合量子-经典算法是针对近期设备量子机器学习问题的一个有前景的方法，但变分 ansatz 的选择仍是一个开放问题。近来，受张量网络启发的电路已被提出作为此类 ansatz 的自然选择。它们在二分类任务上的应用提供了令人鼓舞的结果。然而，它们在更困难任务上的有效性仍未知。在此，我们展示了基于树张量网络和多尺度纠缠重整化 ansatz 电路的多类分类器的数值实验。我们使用 Cirq 和 TensorFlow Quantum 在 MNIST 数据集的图像分类以及 XXZ 模型的量子相识别上进行了实验。在前一种情况下，我们将类别数减至四类，以匹配基于 2 个量子位的预期输出。XXZ 模型的量子数据由棋盘电路制备的三类基态组成，该电路用作变分量子本征求解器的 ansatz，对应于三个不同的量子相。测试准确率分别为 59%–93% 和 82%–96%，具体取决于模型架构和预处理类型。
引用
@article{arxiv.2110.08386,
title = {Multi-class quantum classifiers with tensor network circuits for quantum phase recognition},
author = {Marco Lazzarin and Davide Emilio Galli and Enrico Prati},
journal= {arXiv preprint arXiv:2110.08386},
year = {2022}
}