通过反向退火绝热量子计算机的量子语义学习
量子物理
2020-03-30 v2 机器学习
机器学习
摘要
玻尔兹曼机是一类神经网络，应用于图像重建、模式分类和无监督学习。其最常见的变体称为受限玻尔兹曼机（RBM），在现有硅基硬件上的可计算性和可能应用的通用性之间表现出良好的权衡。然而，RBM的普及相当有限，因为其训练过程很困难。商用绝热量子计算机（AQC）的出现提高了人们对在量子设备上实现RBM可能比传统硬件提高训练速度的期望。然而，迄今为止，在AQC上实现RBM网络一直受到低量子比特连接性的限制，当每个量子比特充当神经网络的节点时。在这里，我们展示了在AQC上实现完整RBM的可行性，这得益于一种将节点与虚拟量子比特关联的嵌入，从而优于先前基于不完整图的实现。此外，为了加速学习，我们实现了一种语义量子搜索，与先前的提议相反，该搜索将输入数据作为初始边界条件，通过反向退火调度开始RBM的每个学习步骤。这种方法与更传统的正向退火调度不同，允许在训练数据的有意义邻域内采样配置，模仿经典吉布斯采样算法的行为。我们表明，基于反向退火的学习迅速提高了配置集合中有意义子集的采样概率。即使没有对退火调度进行适当优化，通过反向退火进行语义训练的RBM在重建任务上也能获得更好的分数。
引用
@article{arxiv.2003.11945,
title = {Quantum Semantic Learning by Reverse Annealing an Adiabatic Quantum Computer},
author = {Lorenzo Rocutto and Claudio Destri and Enrico Prati},
journal= {arXiv preprint arXiv:2003.11945},
year = {2020}
}