QPMeL - 通过投影度量学习的量子感知经典训练嵌入
量子物理
2025-10-21 v5 人工智能
摘要
深度度量学习最近在经典数据领域展现出极具前景的结果，创建了良好分离的特征空间。这一思想也通过量子度量学习（QMeL）被适配到量子计算机上。QMeL包含一个两步过程：首先使用经典模型压缩数据以适应有限数量的量子比特，然后训练参数化量子电路（PQC）以在希尔伯特空间中创建更好的分离。然而，在含噪中等规模量子（NISQ）设备上，QMeL解决方案导致较高的电路宽度和深度，这两者都限制了可扩展性。我们提出量子极化度量学习（QPMeL），它使用经典模型来学习量子比特极坐标形式的参数。然后我们利用一个包含和门的浅层PQC来创建状态，以及一个可训练的门层来学习纠缠。该电路还通过SWAP测试计算保真度，用于我们提出的保真度三元组损失函数，该函数用于训练经典和量子组件。与QMeL方法相比，QPMeL实现了3倍更好的多类分离，同时仅使用一半的门数和深度。我们还证明了QPMeL在类似配置下优于经典网络，为未来研究完全经典模型与量子损失函数提供了一条有希望的途径。
引用
@article{arxiv.2312.01655,
title = {QPMeL - Quantum-Aware Classically-Trained Embeddings via Projective Metric Learning},
author = {Vinayak Sharma and Ashish Padhy and Sourav Behera and Lord Sen and Shyamapada Mukherjee and Aviral Shrivastava},
journal= {arXiv preprint arXiv:2312.01655},
year = {2025}
}