VSQL：用于分类的变分阴影量子学习
量子物理
2020-12-16 v1 无序系统与神经网络
人工智能
机器学习
摘要
量子数据的分类对于量子机器学习和近期量子技术至关重要。本文提出一种新的用于监督量子学习的混合量子-经典框架，称之为变分阴影量子学习（VSQL）。我们的方法特别利用了量子数据的经典阴影（classical shadows），其从根本上表示了量子数据相对于某些物理可观测量（observables）的侧面信息。具体而言，我们首先使用变分阴影量子电路以卷积方式提取经典特征，然后利用全连接神经网络完成分类任务。我们表明该方法可大幅减少参数数量，从而更好地促进量子电路训练。同时，由于此类阴影电路中使用了更少的量子门，将引入更少的噪声。此外，我们表明量子机器学习中显著的梯度消失问题——贫瘠高原（Barren Plateau）问题，可在 VSQL 中避免。最后，我们通过对量子态分类和多标签手写数字识别的数值实验证明了 VSQL 在量子分类中的效率。特别地，在二元手写数字识别情况下，我们的 VSQL 方法在测试准确率上优于现有的变分量子分类器，并且显著需要更少的参数。
引用
@article{arxiv.2012.08288,
title = {VSQL: Variational Shadow Quantum Learning for Classification},
author = {Guangxi Li and Zhixin Song and Xin Wang},
journal= {arXiv preprint arXiv:2012.08288},
year = {2020}
}
备注
20 pages. To appear in the Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI 2021)