深度量子神經網絡
神經網絡在研究和工業領域都獲得了廣泛的成功，並且隨著量子技術的出現，設計用於完全量子學習任務的量子神經網絡是一項至關重要的挑戰。機器學習（ML），通過BP算法尤其適用於深神經網絡，已使革命應用範圍從社會的科學廣譜。包括通過在科研前沿手寫和語音識別的現在的日常部署的應用程序。儘管理論和實踐取得了飛速發展，但ML訓練算法在計算上還是很昂貴的，並且由於摩爾定律步履蹣跚，必須以較低的發展速度來思考未來。然而，由於即將出現的量子計算設備的出現開闢了新的令人興奮的可能性，這些設備直接利用量子力學定律來規避經典計算的技術和熱力學極限。
附圖為一般的量子神經網路
量子計算設備的開發以進行量子加工學習（QML）處於其初始探索階段。人們可以利用經典ML改善量子任務如多體系統的仿真，自適應量子計算或量子計量，或一個可以利用量子算法來加快古典ML（“CQ”ML），或最後，一個可以利用量子計算裝置執行學習任務與量子數據（“QQ”ML）。
量子數據的QML算法的設計者面臨著一系列障礙。這些包括找到感知器的正確量子泛化，（深度）神經網絡架構，優化算法和損失函數。為了克服這些挑戰，文中提出了一種自然的量子感知器，當將其集成到量子神經網絡（QNN）中時，它能夠執行通用量子計算。QNN架構通過利用完全正的層轉換圖來實現經典反向傳播算法的量子模擬。將QNN應用於學習有無錯誤和無錯誤的unit的任務。經典模擬結果非常有前途，並表明程序可用於噪聲中等規模（NISQ）量子設備的可行性。
附圖為一般的量子神經網路
量子計算設備的開發以進行量子加工學習（QML）處於其初始探索階段。人們可以利用經典ML改善量子任務如多體系統的仿真，自適應量子計算或量子計量，或一個可以利用量子算法來加快古典ML（“CQ”ML），或最後，一個可以利用量子計算裝置執行學習任務與量子數據（“QQ”ML）。
量子數據的QML算法的設計者面臨著一系列障礙。這些包括找到感知器的正確量子泛化，（深度）神經網絡架構，優化算法和損失函數。為了克服這些挑戰，文中提出了一種自然的量子感知器，當將其集成到量子神經網絡（QNN）中時，它能夠執行通用量子計算。QNN架構通過利用完全正的層轉換圖來實現經典反向傳播算法的量子模擬。將QNN應用於學習有無錯誤和無錯誤的unit的任務。經典模擬結果非常有前途，並表明程序可用於噪聲中等規模（NISQ）量子設備的可行性。
網絡架構：量子神經網絡的最小構建塊是量子感知器，它是經典機器學習中使用的感知器的量子類似物。量子感知器是具有m個輸入量子位和n個輸出量子位的任意unit算子。感知器只是一個任意unit，適用於m + n個輸入和輸出量子位，它取決於參數。輸入量子位被初始化在一個可能未知的混合狀態ρ 中，並在基準產品狀態下的輸出量子位(2m+n)2−1|0⋯0⟩out
撰寫人：王任權
原始論文
Training deep quantum neural networks
Kerstin Beer, Dmytro Bondarenko, Terry Farrelly, Tobias J. Osborne, Robert Salzmann, Daniel Scheiermann , Ramona Wolf 10 February 2020, Nature Communications volume 11
留言
張貼留言