Nov, 2020

量子卷积神经网络中不存在贫瘠高原

PDF
TL;DR本文描述了基于量子卷积神经网络的梯度值，分析了 QCNNs 的梯度缩放，发现 QCNNs 不会产生荒原平原。我们介绍了一种基于图形的方法，分析哈尔分布的酉矩阵的期望值，最后通过数值模拟验证了我们的分析结果。
quantum neural networksbarren plateausquantum convolutional neural networkstrainabilityhaar-distributed unitaries
发现论文，激发创造
  • 针对任意数据维度优化量子卷积神经网络结构

    该论文介绍了一个能够处理任意输入数据维度的量子卷积神经网络 (QCNN) 架构，优化了量子资源的分配，达到了优秀的分类性能，同时最小化了资源开销，为噪声和不完美情况下可靠量子计算提供了最佳解决方案。

    Mar, 2024

  • 超越贫瘠高原：量子变分算法被陷阱所淹没

    通过研究局部极小值和 Barren 高原现象，证明在全局最小能量附近未知最优参数的情况下，一类浅而无 barren 高原的变分量子模型具有很少的局部极小值，以至于在没有好的初值参数的情况下无法进行训练。此外，通过统计查询框架研究变分量子算法的可训练性，并表明大多数量子模型的噪声优化都需要指数级的查询数，虽然有希望通过研究某些类别的变分算法来解决这个问题。

    May, 2022

  • 量子卷积神经网络

    我们介绍了一种新型的基于卷积神经网络的量子机器学习模型，并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术，具有高效的训练和实现能力，并展示了两个例子来证明其潜力。首先，我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态，并发现其在整个参数范围内都能复制相图。其次，我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案，并发现其显著优于已知的可比较复杂度的量子码。最后，我们讨论了 QCNN 的潜在实验实现和拓展。

    Oct, 2018

  • 利用经典深度神经网络克服荒原高原问题

    本文提出了一种使用经典神经网络来生成量子电路参数的方法，以缓解 Barren Plateaus 现象，该方法不仅能够在初始阶段减轻 Barren Plateaus 的影响，还能够在 VQA 训练期间减轻该影响，并展示了该方法在不同 CNN 架构下的表现。

    May, 2022

  • 量子神经网络训练景观中的贫瘠高原

    本文研究了嘈杂中等规模量子设备的参数化量子电路的梯度估计和优化问题。作者指出，由于希尔伯特空间的指数维度和梯度估计复杂度，随机电路不适用于超过少量量子比特的混合量子 - 经典算法。

    Mar, 2018

  • 基于多能级量子位的贫瘠高地

    通过细致的分析，本研究揭示了多维量子比特的维度与贫瘠平台之间的直接关联，并通过数值结果展示了多维量子比特对贫瘠平台的影响，同时对基于多维量子比特的 VQA 的误差缓解技术的功效提出了进一步的审视。

    May, 2024

  • 机器学习中的懒惰性、平台性和噪音

    通过对神经网络中变分参数的大量抑制来定义惰性，其中量子情况下的抑制对于随机化变分量子电路的量子比特数量呈指数衰减。我们讨论了惰性与由量子物理学家在文献中创建的量子机器学习中的荒漠高原的差异，对梯度下降期间损失函数的平坦情况进行了讨论。同时，我们揭示了在一定的噪声模型下，量子变分算法对于过度参数化的噪声具有弹性。

    Jun, 2022

  • 量子卷积神经网络的教训

    从分析量子卷积神经网络（QCNNs）中我们得出以下结论：1）利用量子数据可以通过隐藏特征映射来嵌入物理系统参数；2）它们在量子相识别方面的高性能可以归因于在地面态嵌入期间产生非常适合的基函数集，其中旋转模型的量子临界性导致具有快速变化特征的基函数；3）QCNNs 的汇集层负责选择那些可以有助于形成高性能决策边界的基函数，学习过程对应调整测量，使得少量量子比特算子映射到全寄存器观测量；4）QCNN 模型的泛化强依赖于嵌入类型，而基于傅立叶基准的旋转特征映射需要精心设计；5）基于有限测量次数的 QCNN 的准确性和泛化能力偏爱地面态嵌入和相关的物理信息模型。我们通过模拟展示了这些观点，我们的结果为感知应用中与物理过程分类有关的问题提供了启示。最后，我们展示了选择适当的地面态嵌入可以用于流体动力学问题的 QCNN，可以良好泛化并经过验证可训练。

    Aug, 2023

  • 关于变分量子算法中贫瘠高原和成本函数局部性的研究

    本文研究基于梯度优化的变分量子算法，分析了在表达能力足够强的参数化量子电路中，指数级消失的梯度现象 —— 荒原高原。提出了梯度的方差下界，主要取决于费用函数中每个项的纠缠锥体宽度，进一步阐明了荒原高原可能的条件。

    Nov, 2020

  • 量子神经网络的高阶导数与贫瘠高原现象

    本研究探讨了量子神经网络中的 Barren Plateau 现象，研究发现高阶导数信息无法解决 Barren Plateau 的指数级灭减问题，因此超越（一阶）梯度下降的优化策略仍会受到 Barren Plateau 的影响。同时，我们证明了新颖的通用公式，可用于在量子硬件上分析求解任何高阶偏导数，这些公式可能有独立的兴趣和用途，可用于量子神经网络的训练（除了 Barren Plateau 的情境）。

    Aug, 2020