量子机器学习架构中的 shot 优化以加速训练
量子物理
2023-04-28 v2 机器学习
摘要
本文提出一种 QML 模型的 shot 优化方法，其对模型性能影响极小。我们以混合量子-经典 QML 模型在 MNIST 和 FMNIST 数据集上的分类任务作为测试用例。首先，我们针对数据集的简短版和完整版扫描 shot 数量。我们观察到，训练完整版相比简短版在训练 shot 数最高多 10 倍的情况下提供高 5-6% 的测试精度。因此，可缩小数据集规模以加速训练时间。接下来，我们在简短版数据集上提出自适应 shot 分配，以在训练轮次上优化 shot 数，并评估其对分类精度的影响。我们使用（a）线性函数，shot 数随轮次线性减少，以及（b）阶跃函数，shot 数随轮次阶跃减少。我们注意到，相比 MNIST 数据集上传统的恒定 shot 函数，线性（阶跃）shot 函数在 shot 减少达 100X（10X）时损失增加约 0.01、测试精度降低约 4%（1%）；在 FMNIST 数据集上采用线性（阶跃）shot 函数进行类似 shot 减少时，损失增加约 0.05、测试精度降低约 5-7%（5-7%）。作为对比，我们也使用所提 shot 优化方法对不同分子进行基态能量估计，观察到阶跃函数在少 1000X 的 shot 数下给出最佳且最稳定的基态能量预测。
引用
@article{arxiv.2304.12950,
title = {Shot Optimization in Quantum Machine Learning Architectures to Accelerate Training},
author = {Koustubh Phalak and Swaroop Ghosh},
journal= {arXiv preprint arXiv:2304.12950},
year = {2023}
}
备注
10 pages, 6 figures, 1 table