基于补丁的端到端量子学习网络用于经典数据的降维与分类

在噪声中间规模量子 (NISQ) 时代，由于量子退相干、串扰和 imperfect calibration 造成的误差，qubit 的控制受到限制。因此，在经典数据（如图像）被输入量子网络进行处理时，有必要对其进行规模降低。传统做法是先在经典域使用如自编码器等经典网络进行数据降维，然后在量子域中进行分析。这些传统技术涉及训练大量参数，计算成本高昂。本文提出一种基于补丁的量子域数据降维网络，配合经典注意力机制，以避免数据降宽，并与一种新型量子分类器相耦合，用于执行分类任务。该架构按补丁顺序处理经典数据，并通过量子卷积类降维网络对其进行降维，然后通过利用从简单统计操作中派生的经典掩码的自注意力技术对其进行丰富。降维后的表示通过量子分类器进行处理，该分类器将其重新编码为量子态，通过量子 ansatz 处理，然后进行测量以进行预测。该训练过程涉及一种联合优化方案，考虑降维和分类器网络，使降维操作具有动态特性。该提议架构在公开可用的 Fashion MNIST 数据集上进行了广泛测试，表现出色，训练参数显著减少。