Feb, 2024
ResQuNNs: 促进量子卷积神经网络中的深度学习
ResQuNNs:Towards Enabling Deep Learning in Quantum Convolution Neural Networks
Muhammad Kashif, Muhammad Shafique
TL;DR在本文中，我们提出了一种新的框架来增强可训练的量子卷积神经网络（QuNNs）的性能，通过引入可训练的 quanvolutional 层并解决与其相关的关键挑战。我们的研究通过在这些层中实现训练，显著提高了 QuNNs 的灵活性和潜力。我们引入多个可训练的 quanvolutional 层，为基于梯度的优化引入了复杂性，并通过在层之间添加 skip 连接的残差学习概念，提出了一种新的架构 Residual Quanvolutional Neural Networks（ResQuNNs），从而解决了梯度访问的困难。通过在 QuNNs 中插入残差块，我们确保了网络中的增强梯度访问，从而提高了训练性能。通过广泛的实验，我们发现在 QuNNs 中合理放置残差块对于最大化性能提升至关重要。我们的发现对量子深度学习的发展和实际量子计算应用提供了新的途径。