基于变分量子电路的函数回归的理论误差性能分析
量子物理
2022-10-28 v2 人工智能
机器学习
神经与进化计算
摘要
含噪声中等规模量子（NISQ）设备使得变分量子电路（VQC）用于量子神经网络（QNN）的实现成为可能。尽管基于 VQC 的 QNN 已在许多机器学习任务中取得成功，VQC 的表示能力与泛化能力仍需进一步研究，尤其当涉及经典输入的维度时。本工作中，我们首先提出一种端到端量子神经网络 TTN-VQC，其由基于张量列网络（TTN）的量子张量网络用于降维，以及用于函数回归的 VQC 组成。接着，我们针对 TTN-VQC 的表示能力与泛化能力进行误差性能分析。我们还利用 Polyak-Lojasiewicz（PL）条件刻画了 TTN-VQC 的优化性质。此外，我们在手写数字分类数据集上进行了函数回归实验，以佐证我们的理论分析。
引用
@article{arxiv.2206.04804,
title = {Theoretical Error Performance Analysis for Variational Quantum Circuit Based Functional Regression},
author = {Jun Qi and Chao-Han Huck Yang and Pin-Yu Chen and Min-Hsiu Hsieh},
journal= {arXiv preprint arXiv:2206.04804},
year = {2022}
}
备注
Preprint version. 16 pages