光学连续变量 Born 机器的学习能力研究

本文研究了光学连续变量 Born 机器 (CVBM)，其利用光学量子态作为连续概率分布的资源。在 CVBM 训练过程中实现精确梯度下降往往不可行，这引出了使用从较少样本数获取的估计量来近似梯度，从而获得量子随机梯度下降 (SGD) 方法的需求。本文使用从对应单光子测量的概率分布中获取的相对较少样本的随机梯度来分析 CVBM 的训练能力。此次分析的主要障碍在于，经典仿真 CVBM 以获取样本是一项艰巨的任务，而且实现收敛需要大量迭代。本研究通过一种新颖的仿真策略实现，后者可在经典计算机上对通用多模态光学态的单光子检测进行仿真。借助此方法，更全面的 CVBM 研究成为可能，演示了使用远超前文中规模的参数量子电路来训练多模态 CVBM。更具体地说，我们使用所提出的算法演示了使用 CVBM 学习多模态量子分布。此外，在使用随机梯度的情况下，成功地实现了 CVBM 的训练。