基于耗散感知机的量子神经网络的可训练性
量子物理
2022-06-13 v2 机器学习
摘要
为实现对量子数据的高效机器学习，人们提出了多种量子神经网络（QNNs）架构。迫切需要对具体 QNN 构造给出严格的缩放结果，以理解哪些（如果有的话）能在大规模下可训练。在此，我们分析了最近提出的一种我们称之为耗散 QNN（DQNNs）的架构的梯度缩放（即可训练性），其中每一层的输入量子比特在该层输出时被丢弃。我们发现 DQNNs 可能出现贫瘠高原，即梯度随量子比特数指数消失。此外，我们在不同条件（如不同代价函数和电路深度）下给出了 DQNNs 梯度缩放的定量界，并表明可训练性并非总能得到保证。
引用
@article{arxiv.2005.12458,
title = {Trainability of Dissipative Perceptron-Based Quantum Neural Networks},
author = {Kunal Sharma and M. Cerezo and Lukasz Cincio and Patrick J. Coles},
journal= {arXiv preprint arXiv:2005.12458},
year = {2022}
}
备注
5 + 21 pages, 3+2 figures, final version accepted for publication in Physical Review Letters