基于有限值量子涨落的深度神经网络优化

我们数值测试了一种受量子退火启发的、利用量子涨落优化深度神经网络（DNNs）的方法。为高效优化，我们的方法利用超越势垒的量子隧穿效应。DNN 优化的路径积分表述产生一种吸引力以模拟量子隧穿效应。在标准量子退火方法中，量子涨落在优化的最后阶段会消失。本研究中，我们提出一种学习协议，利用有限值的量子涨落强度以获得更高的泛化性能，这是一种鲁棒性。我们使用两个知名开放数据集：MNIST 数据集与 Olivetti 人脸数据集，展示了我们方法的性能。尽管计算成本使我们无法在高维数据的大数据集上测试该方法，结果显示我们的方法可通过引入有限值量子涨落来增强泛化性能。