量子神经网络中有限采样噪声的抑制

量子神经网络(QNNs)使用带有数据依赖输入的参数化量子线路,并通过期望值的求值产生输出。计算这些期望值需要重复进行线路求值,从而即使在无误差的量子计算机上也会引入固有的有限采样噪声。我们通过引入方差正则化来降低该噪声,这是一种在量子模型训练期间减小期望值方差的技术。若 QNN 构建得当,该技术无需额外的线路求值。我们的实证结果表明,减小的方差加快了训练速度,降低了输出噪声,并减少了梯度线路所需的求值次数。该正则化方法在多个函数的回归及水的势能面上进行了基准测试。我们表明,在我们的示例中,它将方差平均降低了一个数量级,并显著降低了 QNN 的噪声水平。最后,我们在真实量子设备上演示了 QNN 训练,并评估了误差缓解的影响。在此,由于方差减小导致梯度求值所需 shots 数减少,优化才得以可行。