ResQuNNs：迈向在量子卷积神经网络中实现深度学习
机器学习
2025-07-18 v6 人工智能
量子物理
摘要
在本文中，我们提出了一个新颖的框架，通过引入可训练的量子卷积层并解决与之相关的关键挑战，来增强量子卷积神经网络（QuNNs）的性能。传统的量子卷积层虽然有利于特征提取，但很大程度上是静态的，提供的适应性有限。与最先进的技术不同，我们的研究通过在这些层内实现训练来克服这一限制，显著提高了 QuNNs 的灵活性和潜力。然而，引入多个可训练的量子卷积层会在基于梯度的优化中引入复杂性，这主要是由于难以跨这些层访问梯度。为了解决这个问题，我们提出了一种新颖的架构，即残差量子卷积神经网络（ResQuNNs），利用残差学习的概念，通过在层之间添加跳跃连接来促进梯度的流动。通过在量子卷积层之间插入残差块，我们确保了整个网络中梯度的增强访问，从而提高了训练性能。此外，我们提供了关于这些残差块在 QuNNs 中战略位置的实证证据。通过广泛的实验，我们确定了残差块的一种高效配置，该配置使得梯度能够贯穿网络中的所有层，最终实现高效训练。我们的发现表明，残差块的精确位置在最大化 QuNNs 的性能增益方面起着至关重要的作用。我们的结果标志着量子深度学习演进中迈出了实质性的一步，为理论发展和实际量子计算应用提供了新的途径。
引用
@article{arxiv.2402.09146,
title = {ResQuNNs: Towards Enabling Deep Learning in Quantum Convolution Neural Networks},
author = {Muhammad Kashif and Muhammad Shafique},
journal= {arXiv preprint arXiv:2402.09146},
year = {2025}
}
备注
Title updated from: Resqunns: towards enabling deep learning in quantum convolution neural networks, to reflect changes made for the journal publication. This is the latest version published in Nature Scientific Reports