跳到主要内容
返回时间线
Quantum Machine Intelligence来源发表:

量子神经网络换用等距映射:参数减半,Hilbert-Schmidt距离让训练误差降到万分之一

核心概要

耗散量子神经网络(DQNN)此前用酉门做感知机,每个感知机只能实现受限的量子变换。新架构把感知机改写为等距映射并加入辅助神经元,使每个构建块都能实现任意完全正迹保持映射,即量子信道通用;在三个量子比特的最小网络上,用Hilbert-Schmidt距离作为代价函数做Choi训练,100个随机量子比特信道上的平均菱形距离为4.55×10⁻⁴,而量子Chernoff界和量子相对熵分别只到0.102和0.386。

Source-provided article image: The impact of architecture and cost function on dissipative quantum neural networks
Figure 2 · 第 6 页

深度剖析

耗散量子神经网络的最小构建块现在可以精确实现任意量子比特到量子比特的量子信道,而不再局限于酉变换能表达的那一类映射。 此前的DQNN把权重和偏置写成酉门,一个输入、一个隐藏、一个输出神经元的网络输出由两个等距映射的乘积给出,而一般信道的Stinespring等距映射无法写成这种乘积形式,因此该网络不是量子信道通用的。 在三个量子比特、单个感知机的最小扩展网络上,训练目标设为随机量子比特信道,网络结构保证目标信道可以被精确表示,从而排除了目标本身不可学习的干扰。

把感知机从酉变换改写为等距映射后,需要优化的参数数量明显减少。 一个作用在d维输入和隐藏层量子比特上的酉感知机有d⁴个自由参数,而同样作用范围的等距感知机只有d²(2d−1)个;在d=4时参数数量减少一半以上。 这一计数来自对酉群复合参数化的改写,并给出了等距映射的一一对应参数化,使参数缩减可以在梯度优化中直接使用。

在Choi训练下,Hilbert-Schmidt距离是表现最好且易于测量的代价函数之一。 100个随机量子比特信道训练1000轮后,D₁和D_HS的平均菱形距离分别为3.43×10⁻⁴和4.55×10⁻⁴,优于所有保真度;与渐近假设检验相关的量子Chernoff界和量子相对熵最差,最终平均菱形距离为0.102和0.386。 对比在相同的100个随机目标信道和相同的1000轮ADAM优化下进行,菱形距离作为与代价函数独立的信道区分度指标来衡量最终误差。

随机态训练收敛更快,但最终精度比Choi训练差约两个数量级。 随机态训练对几乎所有代价函数都收敛到约5×10⁻²的菱形距离,而Choi训练下Hilbert-Schmidt距离达到4.55×10⁻⁴;F₂和D₂在随机态训练下明显更差。 随机态训练每轮从Hilbert-Schmidt分布采样32个输入态,分八批各四个态,与Choi训练在同一最小网络上分别运行。

启示与展望

结果针对浅层DQNN和较小的输出希尔伯特空间,数值实验在三个量子比特、单个感知机的最小扩展网络上完成,训练轮数为1000轮。该设置足以精确表示任意量子比特到量子比特信道,因此结论适用于这一规模下的架构与代价函数比较。

扩展架构只保证每个感知机是量子信道通用的,整个多层网络是否具备该性质并未得到保证,五个量子比特的例子中参数计数已少于一般等距映射。Choi训练需要完全已知目标信道,且代价函数作用在更大的希尔伯特空间上,作者将其与Choi训练下收敛较慢的现象联系到贫瘠高原。Werner信道的收敛速度与其参数α相关,完全去极化信道α=0在约350步后才开始快速下降。