跳到主要内容
返回时间线
arXiv来源发表:

量子生成模型不必一味降噪:GENIE按剩余执行预算挑噪声档,模拟中多数条件贴近最优

核心概要

量子线路玻恩机(一种直接按量子态测量概率出样本的生成模型)在有限采样预算下训练时,硬件噪声既压缩泛化差距、又把输出拉向均匀分布,因此最优噪声水平可能处于中间且事先未知。GENIE把剩余噪声当作可调正则项:用封顶的概率性误差削减把噪声降到指定档位,并在训练中依据留出数据在固定线路执行预算内选择档位。在三个合成目标与Adult人口普查数据的模拟中,它接近四种噪声控制策略中的最优者,而任何固定噪声档在许多条件下都落后。

Source-provided article image: Noise-regularized training of quantum circuit Born machines under a finite shot budget
arXiv

深度剖析

训练量子线路玻恩机时,保留一部分硬件噪声可以缩小训练损失与真实分布损失之间的泛化差距,而不必把噪声全部消除。 此前的量子生成模型工作多把噪声视为要尽量压低的误差,误差削减通常按“在给定采样代价下消除多少偏差”来评价。 对任意噪声过程,泛化差距被可达分布类的复杂度所界定;在搅乱型局域泡利噪声下,该复杂度按保留信号因子收缩,但同一噪声也把模型推向均匀分布。

GENIE把噪声水平变成训练中可选的超参数,用留出数据在固定线路执行预算内决定保留多少噪声。 硬件噪声水平由器件固定,降低它需要误差削减,而削减的采样代价随去除的噪声量指数增长。 封顶概率性误差削减只削掉最吵的位置、把其余噪声保持在接近白噪声的水平;控制器每隔若干步用少量预算探测候选档位,并按验证表现与剩余预算选择下一训练块的档位。

在匹配线路执行预算的模拟比较中,自适应选档比任何固定噪声档都更稳。 固定档位在不同预算和错误率下排名会反转:预算最小时全削减最差,预算增大后不削减在blob与wfc上停滞。 在三个合成数据集上,GENIE在多数条件下与四种方法中的最优者相差很小,中位遗憾远低于三个固定档位;在强噪声下的Adult数据上,它在组内收入率与收入预测上给出四种方法中最准确的结果。

启示与展望

结论建立在模拟线路上:合成实验与人口普查实验都使用模拟线路,噪声为随机泡利通道,未在真实硬件上运行。源文提出的下一步包括在更大线路与硬件上检验有效去极化近似,以及为其他噪声通道推导收缩界。

有效去极化近似要求线路有足够搅乱,因此残余噪声估计的精度取决于线路结构与深度;控制器只在当前参数下比较候选档位,而非规划整条训练轨迹,其可靠性取决于留出样本量;源文报告在人口普查实验中,留出样本已足以选出有用的噪声档位。