面向先进物联网系统的量子神经网络软件测试、分析与代码优化：设计、实现与可视化
软件工程
2024-01-23 v1
摘要
本文介绍了一种用于先进物联网 (IoT) 系统中量子神经网络 (QNN) 软件的新型运行时测试、分析和代码优化 (TACO) 方法，该方法直观地呈现了被称为贫瘠高原 (barren plateau) 的学习性能。贫瘠高原情况的运行时可视化呈现有助于基于量子的先进物联网软件的实时测试，因为软件工程师可以轻松了解 QNN 的训练性能。此外，该工具对软件工程师显然非常有用，因为它可以直观地指导他们设计和实现高精度的基于 QNN 的先进物联网软件，即使他们不熟悉量子力学和量子计算。最后，所提出的 TACO 还具备视觉反馈能力，因为软件工程师可以使用 TensorBoard 直观地识别贫瘠高原情况。进而，他们也能够根据这些信息修改 QNN 结构。
引用
@article{arxiv.2401.10914,
title = {Quantum Neural Network Software Testing, Analysis, and Code Optimization for Advanced IoT Systems: Design, Implementation, and Visualization},
author = {Soohyun Park and Joongheon Kim},
journal= {arXiv preprint arXiv:2401.10914},
year = {2024}
}