研究量子特异性超参数对混合量子 - 经典神经网络的影响

在当前含噪声中等规模量子设备中，混合量子 - 经典神经网络（HQNNs）代表了一种有前景的解决方案，它结合了经典机器学习的优势与量子计算的能力。与经典深度神经网络（DNNs）相比，HQNNs 呈现出一组额外的超参数，这些是量子电路特有的。这些量子特异性超参数，如量子电路深度、量子比特数量、纠缠类型、采样次数（shots）和测量可观测量，会显著影响 HQNNs 的行为及其学习给定任务的能力。在本文中，我们研究了这些变化对在 PennyLane 框架上实现的用于图像分类任务的不同 HQNN 模型的影响。我们旨在揭示 HQNN 模型在受控量子微扰的细粒度水平下的直观和反直观学习模式，为其与准确性和训练时间的相关性奠定坚实基础。我们研究的结果为设计高效的 HQNN 算法开辟了新途径，并为理解和识别 HQNN 模型的可调超参数建立了基础，从而有助于有用的设计实现和应用。