迈向深度量子神经网络的可训练性
量子物理
2022-09-28 v2
摘要
具有随机结构的量子神经网络（QNNs）由于梯度随电路深度和量子比特数增加呈指数级消失而可训练性差。该结果导致一种普遍看法，即深度 QNN 不可行。本工作中，我们首次给出具有理论保证的深度 QNN 梯度消失问题的可行解。具体而言，我们证明对于具有受控层架构的电路，梯度范数的期望可由一个独立于量子比特数和电路深度的值从下方界定。我们的结果源于对由旋转角构成的参数空间上梯度行为的细致分析（几乎任何 QNN 均采用此类参数），而非依赖不切实际的 2-design 假设。我们显式构造了仅我们的 QNN 可训练且收敛、而其他对比模型无法做到的例子。
引用
@article{arxiv.2112.15002,
title = {Toward Trainability of Deep Quantum Neural Networks},
author = {Kaining Zhang and Min-Hsiu Hsieh and Liu Liu and Dacheng Tao},
journal= {arXiv preprint arXiv:2112.15002},
year = {2022}
}
备注
16 pages, 9 figures