顺序哈密顿组装：增强量子计算机上组合优化问题的训练
量子物理
2024-08-12 v1 新兴技术
摘要
量子机器学习的核心挑战之一是参数化量子电路（PQC）的设计与训练。类似于深度学习，PQC的训练中会出现梯度消失问题，这种问题源于多种因素，其中一种是非局部损失函数的存在，这需要测量涉及大量量子比特的子集。为解决此问题并促进使用全局损失函数进行量子应用参数训练，本文提出了顺序哈密顿组装（SHA）。SHA迭代逼近损失函数，通过从局部组件构建来实现。为进一步展示我们方法的可行性，我们引入了新的分区策略、QAOA与SHA的新型融合方式，并对SHA应用于最大割问题（Max-Cut）进行评估。仿真结果表明，SHA在Max-Cut问题的平均准确率上，相较于常规参数训练提高了43.89%，相较于经验上最先进的方法Layer-VQE提高了29.08%。这为处理大类在实际中具有相关性的问题的局域感知学习技术铺平了道路，有效缓解了梯度消失问题。
引用
@article{arxiv.2408.04751,
title = {Sequential Hamiltonian Assembly: Enhancing the training of combinatorial optimization problems on quantum computers},
author = {Navid Roshani and Jonas Stein and Maximilian Zorn and Michael Kölle and Philipp Altmann and Claudia Linnhoff-Popien},
journal= {arXiv preprint arXiv:2408.04751},
year = {2024}
}
备注
This is an extended version of our previously published article arXiv:2312.05552, additionally providing a new partitioning strategy, a new merger between QAOA and SHA, and an evaluation of SHA in the Max-Cut optimization problem