QTN-VQC：一种用于量子神经网络的端到端学习框架
量子物理
2022-09-28 v3 人工智能
计算与语言
计算机视觉与模式识别
机器学习
神经与进化计算
摘要
含噪声中等规模量子（NISQ）计算机的出现，对设计用于全量子学习任务的量子神经网络提出了关键挑战。为弥补这一差距，本工作提出了一种名为 QTN-VQC 的端到端学习框架，通过在变分量子线路（VQC）上引入可训练的量子张量网络（QTN）进行量子嵌入。QTN 的架构由用于特征提取的参数化张量列网络与用于量子嵌入的张量积编码组成。我们从两个角度强调用于量子嵌入的 QTN：（1）我们通过分析其对输入特征的表示能力，从理论刻画 QTN；（2）QTN 实现了从量子嵌入生成到输出测量的端到端参数化模型流水线，即 QTN-VQC。我们在 MNIST 数据集上的实验证明了 QTN 用于量子嵌入相对于其他量子嵌入方法的优势。
引用
@article{arxiv.2110.03861,
title = {QTN-VQC: An End-to-End Learning framework for Quantum Neural Networks},
author = {Jun Qi and Chao-Han Huck Yang and Pin-Yu Chen},
journal= {arXiv preprint arXiv:2110.03861},
year = {2022}
}
备注
Preprint. A Non-archival and preliminary venue was presented in NeurIPS 2021, Quantum Tensor Networks in Machine Learning Workshop