
在量子计算和机器学习相交领域,构建高效的量子神经网络是一个充满前景的研究方向。Terra Quantum AG团队设计了一种并行混合量子神经网络,并证明他们的模型是“量子机器学习的强大工具”。这项研究已在《智能计算》杂志上发表。
混合量子神经网络通常由两个部分组成:一个是量子层——一种称为变分量子电路的结构,另一个是经典层——一个称为多层感知器的深度学习神经网络。这种特殊的体系结构使得它们能够比传统机器学习方法更容易地从数据输入中学习到复杂的模式和关系。
本文作者关注的是并行混合量子神经网络。在这样的网络中,量子层和经典层同时处理相同的输入数据,然后生成一起的输出结果——这是来自两个层的输出的线性组合。并行网络可以避免顺序网络常常受到的信息瓶颈问题,顺序网络中,量子层和经典层相互输入数据并交替处理数据。
训练结果显示,作者的并行混合网络能够胜过其量子层或经典层。在两个周期性数据集上训练并添加高频噪声后,这个混合模型表现出更低的训练损失,产生更好的预测,并且被发现对于复杂问题和新数据集更具适应性。
量子层和经典层都对这种有效的量子-经典相互作用起着贡献。具体而言,量子层采用变分量子电路,映射平滑的周期性部分,而经典的多层感知器填补了不规则的噪声增加。变分量子电路和多层感知器都被认为是“通用逼近器”。
为了在训练过程中最大化输出,变分量子电路会调节量子门的参数,以控制量子比特的状态;而多层感知器主要调整神经元之间的连接强度,也被称作权重。
同时,一个并行混合网络的成功取决于学习率以及其他超参数的设置和调优,例如多层感知器中每一层的层数和神经元数量。
考虑到量子层和经典层的学习速度不同,作者讨论了每个层的贡献比例对混合模型性能的影响,并发现调整学习率在保持平衡贡献比例方面很重要。因此,他们指出构建一个定制的学习率调度器是未来的研究方向,因为这样的调度器可以增强混合模型的速度和性能。









