量子机器学习的资源节约型优化器

量子增强数据科学，亦称量子机器学习（QML），作为近-term量子计算机的一种应用正受到越来越多的关注。变分QML算法有潜力在真实硬件上解决实际问题，尤其在涉及量子数据时。然而，训练这些算法可能具有挑战性，并需要量身定制的优化流程。具体而言，由于涉及大型数据集，QML应用可能要求巨大的shot计数开销。在本工作中，我们主张对定义损失函数的数据集以及测量算符同时进行随机采样。我们考虑一个涵盖许多QML应用的高度通用损失函数，并展示如何构造其梯度的无偏估计量。这使我们提出一种称为Refoqus（REsource Frugal Optimizer for QUantum Stochastic gradient descent，量子随机梯度下降的资源节约型优化器）的shot节约型梯度下降优化器。我们的数值结果表明，Refoqus可节省数个数量级的shot成本，即便相对于仅对测量算符采样的优化器也是如此。