利用量子退火器训练多层感知机

量子退火在机器学习中的一个成功应用是训练受限玻尔兹曼机（RBM）。然而，许多用于视觉应用的神经网络是前馈结构，例如多层感知机（MLP）。反向传播目前是训练 MLP 进行监督学习的最有效技术。本文旨在通过探索使用量子退火器训练 MLP 具有前瞻性。我们利用 MLP 与基于能量的模型（EBM）之间的等价性，EBM 是 RBM 的一种变体，具有最大条件似然目标。这导致了一种以量子退火器作为采样引擎训练 MLP 的策略。我们证明了具有 sigmoid 激活函数和单隐藏层的 MLP 的设置，并使用 D-Wave 量子退火器在 MNIST 和 Fashion-MNIST 数据集的小子集上演示了二值图像分类器的训练。尽管当前退火器上可行的问题规模有限，我们在可行实例上获得了验证我们想法的全面结果。我们的工作确立了量子计算用于训练 MLP 的潜力。