在抑制坟土谷的同时模拟量子神经网络中的非线性行为
量子物理
2025-04-22 v1
摘要
量子神经网络（QNN）在实现非线性行为和有效优化参数方面面临重大挑战。本研究通过 Taylor 级数展开来建模非线性行为，其中该方法使用张量积生成级数基底，参数化酉矩阵定义相应系数。该设计显著降低了相对于依赖参数化量子门的常规方法所需的量子电路深度，从而减轻了坟土谷问题。我们在 MNIST 和 Fashion MNIST 数据集上实现并测试了该 QNN，分别获得了 98.7% 和 88.3% 的测试准确率。加入噪声后，准确率分别下降至 98.6% 和 87.2%。
引用
@article{arxiv.2504.13980,
title = {Simulating Nonlinearity in Quantum Neural Networks While Mitigating Barren Plateaus},
author = {Ding-Dang Yang},
journal= {arXiv preprint arXiv:2504.13980},
year = {2025}
}
备注
22 pages including appendix, 7 figures