Quark：一种面向分类任务的无梯度量子学习框架
量子物理
2022-10-05 v1 机器学习
摘要
随着更多实用且可扩展的量子计算机出现，在实现机器学习量子优势方面已受到大量关注。现有量子机器学习方法要么 (1) 将经典模型嵌入目标哈密顿量中以启用量子优化，要么 (2) 使用变分量子电路表示量子模型并应用基于经典梯度的优化。前者利用量子优化的能力但仅支持简单 ML 模型，而后者提供模型设计的灵活性但依赖梯度计算，导致贫瘠高原（即梯度消失）以及频繁的经典-量子交互。为解决现有量子 ML 方法的局限，我们引入 Quark，一种使用量子优化来优化量子 ML 模型的无梯度量子学习框架。Quark 不依赖梯度计算，因此避免了贫瘠高原与频繁的经典-量子交互。此外，Quark 能支持比先前量子 ML 方法更通用的 ML 模型，并实现与数据集规模无关的优化复杂度。理论上，我们证明 Quark 可通过降低高度非凸问题的模型查询复杂度来超越经典基于梯度的方法；在经验上，Edge Detection 与 Tiny-MNIST 任务上的评估表明，Quark 可支持复杂 ML 模型，并显著减少为这些任务发现近优权重所需的测量次数。
引用
@article{arxiv.2210.01311,
title = {Quark: A Gradient-Free Quantum Learning Framework for Classification Tasks},
author = {Zhihao Zhang and Zhuoming Chen and Heyang Huang and Zhihao Jia},
journal= {arXiv preprint arXiv:2210.01311},
year = {2022}
}
备注
under review