后变分量子神经网络

在含噪声中等规模量子（NISQ）时代，采用变分算法的混合量子-经典计算可能出现贫瘠高原问题，导致基于梯度的优化技术难以收敛。本文讨论“后变分策略”，其将可调参数从量子计算机转移到经典计算机，并在优化量子模型时选择集成策略。我们讨论了构建单个量子线路的各种策略与设计原则，由此得到的集成可通过凸规划进行优化。进一步，我们讨论了后变分量子神经网络的架构设计，并分析了估计误差在此类神经网络中的传播。最后，我们通过实验表明，采用我们所提架构设计的后变分量子神经网络有望提供优于变分算法的结果，并取得与两层神经网络相当的性能。