量子神经网络的困境
量子物理
2021-06-10 v1 机器学习
摘要
量子机器学习的核心在于设计相比经典对应模型具有更好可训练性和更低泛化误差界的量子模型，以确保更好的可靠性和可解释性。近期研究证实，量子神经网络（QNNs）在特定数据集上能够实现这一目标。就此而言，理解这些优势在真实世界任务上是否依然保持至关重要。通过系统的数值实验，我们实证观察到当前 QNNs 未能提供相对于经典学习模型的任何益处。具体而言，我们的结果传达了两个关键信息。首先，QNNs 遭受严重受限的有效模型容量，导致在真实世界数据集上泛化能力差。其次，QNNs 的可训练性对正则化技术不敏感，这与经典情形形成尖锐对比。这些实证结果迫使我们重新思考当前 QNNs 的作用，并设计用于以量子优势解决真实世界问题的新方案。
引用
@article{arxiv.2106.04975,
title = {The dilemma of quantum neural networks},
author = {Yang Qian and Xinbiao Wang and Yuxuan Du and Xingyao Wu and Dacheng Tao},
journal= {arXiv preprint arXiv:2106.04975},
year = {2021}
}