关于优化量子神经网络超参数的研究
机器学习
2025-01-28 v1 新兴技术
摘要
机器学习（ML）模型日益增长的能力与训练所需的海量数据和计算能力密切相关。因此，训练通常外包到高性能计算（HPC）设施中，而正如摩尔定律所预示的，我们在扩展传统HPC硬件方面已开始遭遇极限。尽管进行了大量的并行化和优化努力，当前最先进的ML模型仍需数周的训练时间，这伴随着巨大的CO2足迹。量子计算，特别是量子机器学习（QML），可以提供显著的理论加速和增强的表达能力。然而，训练QML模型需要调整各种超参数，这是一项非平凡的任务，次优的选择会严重影响模型的可训练性和性能。在本研究中，我们识别了最具影响力的超参数，并收集了关于QML模型性能的数据。我们比较了不同的配置，并为研究人员提供了性能数据和超参数选择的具体建议。
引用
@article{arxiv.2403.18579,
title = {On Optimizing Hyperparameters for Quantum Neural Networks},
author = {Sabrina Herbst and Vincenzo De Maio and Ivona Brandic},
journal= {arXiv preprint arXiv:2403.18579},
year = {2025}
}