在 NISQ 设备上训练量子神经网络
量子物理
2021-04-14 v1
摘要
含噪中等规模量子（NISQ）设备的出现为量子算法的发展提供了关键机遇。在此我们评估了 IBM 的 NISQ 设备上两种量子神经网络（QNN）架构的噪声容忍度，即其构建模块感知机为完全正映射的耗散 QNN（DQNN），以及量子近似优化算法（QAOA）。我们将这两种方法与学习未知酉变换进行比较。尽管两种网络均在此学习任务中成功，我们发现 DQNN 比 QAOA 更可靠地学习未知酉变换，且更不易受门噪声影响。
引用
@article{arxiv.2104.06081,
title = {Training Quantum Neural Networks on NISQ Devices},
author = {Kerstin Beer and Daniel List and Gabriel Müller and Tobias J. Osborne and Christian Struckmann},
journal= {arXiv preprint arXiv:2104.06081},
year = {2021}
}