超越贫瘠高原：量子变分算法被陷阱所淹没

May, 2022

超越贫瘠高原：量子变分算法被陷阱所淹没

Beyond Barren Plateaus: Quantum Variational Algorithms Are Swamped With Traps

Eric R. Anschuetz, Bobak T. Kiani

TL;DR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。

Abstract

One of the most important properties of classical neural networks is how surprisingly trainable they are, though their training algorithms typically rely on optimizing complicated, nonconvex loss functions. Previous results have shown that unlike the case in classical neural networks, variational quantum models are often not trainable. The most studied pheno

quantum models trainability barren plateaus variational quantum algorithms local minima

发现论文，激发创造

变分量子计算中贫瘠高原的综述

变分量子计算通过在不同领域中应用提供了一种灵活的计算模式。然而，实现其潜力的一个关键障碍是荒漠高原现象。本文提供了对荒漠高原现象的当前理解的全面回顾。

May, 2024

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

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

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

纠缠引发的无效平台

量子神经网络中过量的量子纠缠会妨碍学习，且通常存在着由纠缠引起的优化荒原；预训练这些生成模型可能会提供一种规避荒原的方法。

Oct, 2020

浅层参数量子电路中与成本函数有关的不毛之地

本文研究了量子电路参数优化问题，通过对全局和局部可观测量定义了两种方法，证明了在一定条件下采用局部可观测量定义的方法能够获得更好的训练效果。

Jan, 2020

量子卷积神经网络中不存在贫瘠高原

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。

Nov, 2020

用量子优化控制工具诊断贫瘠高原

本文研究了通过量子优化控制诊断基于问题的变分量子算法的荒原高原现象，证明了微调度系的可控性对 VQA 的梯度缩放具有影响，并建立了荒原高原与 Lie 代数维度缩放之间的联系。

May, 2021

变分量子算法中的噪声诱导荒原

研究了噪声 Noisy Intermediate-Scale Quantum 计算机上的变分量子算法，证明了存在噪声引起的 “荒漠高原” 现象，表明这些噪声对算法的性能有严重的限制。

Jul, 2020