ResQNets：一种缓解量子神经网络中贫瘠高原的残差方法
量子物理
2025-04-29 v2
摘要
量子神经网络（QNNs）中的贫瘠高原问题是阻碍 QNNs 实际成功的重大挑战。在本文中，我们引入残差量子神经网络（ResQNets）作为解决该问题的方案。ResQNets 受经典残差神经网络启发，将常规 QNN 架构拆分为多个量子节点，每个节点包含自身的参数化量子电路，并在这些节点间引入残差连接。我们的研究通过比较 ResQNets 与常规 QNNs 及普通量子神经网络（PlainQNets）在多个训练实验中的表现并分析代价函数景观，证明了 ResQNets 的有效性。我们的结果表明，引入残差连接带来了改进的训练性能。因此，我们得出结论：ResQNets 为克服 QNNs 中的贫瘠高原问题提供了一种有前景的解决方案，并为量子机器学习领域的未来研究提供了潜在方向。
引用
@article{arxiv.2305.03527,
title = {ResQNets: A Residual Approach for Mitigating Barren Plateaus in Quantum Neural Networks},
author = {Muhammad Kashif and Saif Al-kuwari},
journal= {arXiv preprint arXiv:2305.03527},
year = {2025}
}