SEQUENT：基于序贯量子增强训练的可追溯量子机器学习
量子物理
2023-04-27 v2 机器学习
摘要
将量子计算等新型计算范式应用于机器学习领域近来受到关注。然而，由于高维现实世界应用尚无法用纯量子硬件求解，已提出结合经典与量子机器学习范式的混合方法。例如，迁移学习方法已证明可成功应用于混合图像分类任务。尽管如此，有益的电路架构仍有待探索。因此，追踪所选电路架构与参数化的影响对于开发有益适用的混合方法至关重要。然而，当前方法包含经典与量子部分同时训练的过程，因而不允许经典与量子影响严格分离。因此，这些架构可能产生预测精度更优但量子影响尽可能小的模型。为解决此问题，我们提出序贯量子增强训练（SEQUENT），一种用于将量子计算方法可追溯地应用于混合机器学习的改进架构与训练过程。此外，我们为当前方法的劣势提供形式化证据，并给出初步实验结果作为 SEQUENT 适用性的概念验证。
引用
@article{arxiv.2301.02601,
title = {SEQUENT: Towards Traceable Quantum Machine Learning using Sequential Quantum Enhanced Training},
author = {Philipp Altmann and Leo Sünkel and Jonas Stein and Tobias Müller and Christoph Roch and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2301.02601},
year = {2023}
}
备注
Published at ICAART 2023