可控性在脉冲基量子机器学习模型中的作用
量子物理
2024-05-16 v1
摘要
脉冲基量子机器学习 (QML) 模型在其可集成性时具有完全的可表达性。然而，已证明在此类模型中会出现平坡区，使得具有大尺度系统的训练变得不可行。本文显示，这种权衡与脉冲基 QML 模型的可控性密切相关。我们首先将 Fliess 级数展开应用于脉冲基 QML 模型，以探讨控制系统结构对模型可表达性的影响，这导致一种用于评估通用 QML 模型可表达性的通用准则。基于这一准则，我们进一步展示了如何在低维流形上设计脉冲基模型，以平衡可表达性和可训练性。最后，进行数值实验以验证所提出的准则和我们的分析，这进一步表明，增加维数可增强可表达性，但如果模型在子流形上受限于可控性，则可避免平坡区。我们的ethods 为设计既高度可表达又可训练的脉冲基 QML 模型提供了一条有前景的道路。
引用
@article{arxiv.2405.09135,
title = {On the Role of Controllability in Pulse-based Quantum Machine Learning Models},
author = {Han-Xiao Tao and Re-Bing Wu},
journal= {arXiv preprint arXiv:2405.09135},
year = {2024}
}