May, 2022

利用经典深度神经网络克服荒原高原问题

PDF
TL;DR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。
variational quantum algorithmsnoisy intermediate scale quantum devicesbarren plateausclassical neural networkgradient descent method
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 参数并行分布式变分量子算法

    通过提出参数并行分布式变分量子算法（PPD-VQA）和可替代的训练策略，以及梯度压缩技术来缓解由于噪声差异导致的加速度衰减和潜在通信瓶颈的影响，这项研究证明 PPD-VQA 可以为多个量子处理器协调处理大规模实际应用提供实用的解决方案。

    Jul, 2022

  • 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

  • 通过经典神经网络学习量子神经网络的学习方法

    本文提出一种使用经典神经网络协助量子学习的元学习方法，通过训练经典递归神经网络对 Quantum Approximate Optimization Algorithm (QAOA) for MaxCut，QAOA for Sherrington-Kirkpatrick Ising model 以及 Hubbard model 的参数进行快速优化，以减少优化迭代次数。同时，发现该方法可以推广到其他问题类型，使得量子学习更加高效。

    Jul, 2019

  • 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

  • 后变分量子神经网络

    量子计算与混合量子经典计算结合的后变分策略，通过集成策略优化量子模型的方法以及构建个体量子电路的设计原则、后变分量子神经网络的架构设计以及估计误差的传播分析，能够应用于图像分类等实际应用，并实现 96% 的分类准确率。

    Jul, 2023