QNEAT：变分量子电路架构的自然进化
量子物理
2023-04-17 v1
摘要
量子机器学习（QML）是一个新兴且快速发展的领域，其中运用量子力学的理论框架与逻辑来解决机器学习任务。人们已提出具有不同量子-经典混合程度的各种技术。在此我们聚焦于变分量子电路（VQC），其已成为噪声中等规模量子（NISQ）时代神经网络量子对应物中最有前景的候选者。尽管展现出有前景的结果，VQC 可能因多种问题而难以训练，例如贫瘠高原、权重的周期性或架构的选择。本文聚焦于这最后一个问题，即为各种任务寻找变分量子电路的最优架构。为此，我们提出了一种受自然进化启发的无梯度算法，以优化 VQC 的权重与架构。具体而言，我们给出了著名的增强拓扑神经进化（NEAT）算法的一个版本，并将其适配于变分量子电路的情形。我们将所提出的 VQC 架构搜索算法称为 QNEAT。我们在机器学习的经典领域（即强化学习与组合优化）的不同基准问题上对该算法进行了测试。
引用
@article{arxiv.2304.06981,
title = {QNEAT: Natural Evolution of Variational Quantum Circuit Architecture},
author = {Alessandro Giovagnoli and Yunpu Ma and Volker Tresp},
journal= {arXiv preprint arXiv:2304.06981},
year = {2023}
}