量子神经网络的对称性引导梯度下降
量子物理
2024-08-14 v2
摘要
许多监督学习任务具有内在对称性，例如图像分类中的平移和旋转对称性。这些对称性可用于提升性能。我们将对称性约束表述为简洁的数学形式。我们设计了两种方法将约束纳入代价函数，从而塑造代价景观，使其有利于尊重给定对称性的参数选择。与通过改变神经网络电路ansatz来施加对称性的方法不同，我们的方法仅改变梯度下降的经典后处理，实现起来更简单。我们将该方法称为对称性引导梯度下降（SGGD）。我们在Werner态的纠缠分类和二维特征空间中的二分类任务中展示了SGGD。两种情况下，结果表明SGGD可以加速训练、提高泛化能力并消除梯度消失，尤其是在训练数据有偏时。
引用
@article{arxiv.2404.06108,
title = {Symmetry-guided gradient descent for quantum neural networks},
author = {Kaiming Bian and Shitao Zhang and Fei Meng and Wen Zhang and Oscar Dahlsten},
journal= {arXiv preprint arXiv:2404.06108},
year = {2024}
}
备注
Phys. Rev. A 110, 022406. Published in 5 August 2024