用全局训练的量子专家混合模型求解MNIST
量子物理
2025-05-22 v1
摘要
我们提出了一种新的量子神经网络用于图像分类，能够以全分辨率对MNIST数据集的奇偶性进行分类，测试准确率达到97.5%，无需任何经典预处理或后处理。我们的架构基于专家混合模型，其模型函数是每个专家模型函数之和。我们采用振幅编码，这使得我们能够用10个量子比特编码全分辨率MNIST图像，并且仅需一个单量子比特门即可在整个图像上实现卷积。我们的训练算法基于同时训练所有专家，这显著提高了相对于独立训练每个专家的可训练性。事实上，在无限多专家的极限下，我们的训练算法可以完美拟合训练数据。我们的结果展示了我们的量子神经网络在最少量子资源下实现高精度图像分类的潜力，为更可扩展和高效的量子机器学习模型铺平了道路。
引用
@article{arxiv.2505.14789,
title = {Solving MNIST with a globally trained Mixture of Quantum Experts},
author = {Paolo Alessandro Xavier Tognini and Leonardo Banchi and Giacomo De Palma},
journal= {arXiv preprint arXiv:2505.14789},
year = {2025}
}
备注
4 pages without bibliography and appendix. 6 pages without appendix. 11 pages in total. 9 figures