应用于二值感知机的量子近似优化算法
量子物理
2021-12-21 v1 无序系统与神经网络
机器学习
摘要
我们将数字化量子退火（QA）与量子近似优化算法（QAOA）应用于人工神经网络中监督学习的典型任务：二值感知机突触权重的优化。与通常将 QAOA 用于 MaxCut 或量子自旋链基态制备不同，该经典哈密顿量具有高度非局域的多自旋相互作用特征。然而，我们提供了存在最优平滑 QAOA 参数解的证据，这些参数解可在同一问题的典型实例间迁移，并从数值上证明了 QAOA 相对于传统 QA 的性能提升。我们还研究了 QAOA 优化景观几何结构在此问题中的作用，表明 QA 中遇到的能隙闭合转变的有害效应同样对我们所实现的 QAOA 性能产生了负面影响。
引用
@article{arxiv.2112.10219,
title = {Quantum Approximate Optimization Algorithm applied to the binary perceptron},
author = {Pietro Torta and Glen B. Mbeng and Carlo Baldassi and Riccardo Zecchina and Giuseppe E. Santoro},
journal= {arXiv preprint arXiv:2112.10219},
year = {2021}
}
备注
14 pages, 9 figures