变分量子学习模型的可训练性与去量子化之间的关系
量子物理
2025-07-09 v3 机器学习
机器学习
摘要
成功的变分量子机器学习 (QML) 依赖于合适的参数化量子电路 (PQC) 的设计，这些电路是经典机器学习中神经网络的类比。在成功的 QML 模型中必须满足可训练性和非去量子化等属性。近期研究强调了此类模型可训练性与去量子化之间的复杂相互作用，这仍是未解决的。本文从机器学习视角贡献了若干结果，确定了何时可训练性和非去量子化不彼此排斥。我们首先提供若干新的更宽泛的概念定义，与其他文献中所述不同，这些定义是以操作方式为导istent with prior art。有了这些精确的定义和动机，我们随后研究了变分 QML 的可训练性与去量子化之间的关系。接下来，我们也讨论了 QML 模型的“变分性”程度，区分了诸如硬件高效 ansatz 和量子核方法等模型。最后，我们引入了构建既可训练又非去量子化的 PQC-based QML 模型的配方，对应不同的变分性程度。我们不涉及此类模型的实际实用性。然而，我们的工作指向寻找更通用构造的方向，对于寻找实际应用可能变得可行。
引用
@article{arxiv.2406.07072,
title = {On the relation between trainability and dequantization of variational quantum learning models},
author = {Elies Gil-Fuster and Casper Gyurik and Adrián Pérez-Salinas and Vedran Dunjko},
journal= {arXiv preprint arXiv:2406.07072},
year = {2025}
}
备注
25 pages, 3 figures, published as a conference paper in Proceedings of the Thirteenth International Conference on Learning Representations (ICLR 2025)