WSBD：面向量子神经网络的基于冻结的优化器
机器学习
2026-02-13 v1 量子物理
摘要
量子神经网络（QNN）的训练受限于梯度估计的高计算成本以及barren plateau问题，即优化景观变得难以置疑。为此，我们引入加权随机块下降（Weighted Stochastic Block Descent, WSBD），一种具有动态、参数级冻结策略的新型优化器。WSBD通过识别基于梯度派生重要性得分的次要影响参数并暂时冻结它们来智能地集中计算资源。这一方法显著减少每个训练步骤所需的前向传递次数，并能更有效地导航优化景观。不同于剪枝或层级冻结，WSBD保持完整的表达容量，同时在训练期间自适应。我们的广泛评估显示，WSBD在流行的 ground-state-energy问题上平均比Adam快63.9%，该优势随QNN规模的增大而增大。我们提供WSBD的形式收敛性证明，并表明参数级冻结在QNN中优于传统的层级方法。项目页面：https://github.com/Damrl-lab/WSBD-Stochastic-Freezing-Optimizer。
引用
@article{arxiv.2602.11383,
title = {WSBD: Freezing-Based Optimizer for Quantum Neural Networks},
author = {Christopher Kverne and Mayur Akewar and Yuqian Huo and Tirthak Patel and Janki Bhimani},
journal= {arXiv preprint arXiv:2602.11383},
year = {2026}
}
备注
Accepted to AISTATS 2026. 9 pages main, 24 pages total