QAdaPrune：用于变分量子电路训练的自适应参数剪枝
量子物理
2024-08-27 v1 机器学习
摘要
在当前噪声中间规模量子计算时代，有迫切需要制定方法来高效实现基于门的变分量子电路，以确保各种 proposed 应用程序可以在真实量子硬件上部署。量子电路的效率既取决于可训练门的数量，也取决于整体电路的深度。巨型坡的主要关注点使得这种效率需求更加紧迫。变分量子电路的高效实现问题已在文献中广泛研究，以减少门复杂度和电路深度。另一种重要方法是设计一种方法来减少变分量子电路中的参数复杂度。现有方法包括基于超参数的参数剪枝，这引入了一个为不同应用程序寻找最佳超参数的额外挑战。本文提出了\emph{QAdaPrune} -一种自适应参数剪枝算法，自动确定阈值，然后智能地修剪冗余和非执行的参数。我们表明， resulting 稀疏参数集产生的量子电路在性能上与未修剪的量子电路相当，在某些情况下甚至可能即使原始量子电路陷入巨型坡中，仍能提高电路的可训练性。\noindent{\bf 可重复性}: 源代码和数据可在\url{https://github.com/aicaffeinelife/QAdaPrune.git}获取。
引用
@article{arxiv.2408.13352,
title = {QAdaPrune: Adaptive Parameter Pruning For Training Variational Quantum Circuits},
author = {Ankit Kulshrestha and Xiaoyuan Liu and Hayato Ushijima-Mwesigwa and Bao Bach and Ilya Safro},
journal= {arXiv preprint arXiv:2408.13352},
year = {2024}
}