摘要
在离子阱和某机构超导量子计算机上实现了神经网络的量子化泛化,用于分类计算机视觉常用基准MNIST图像。该网络的前向传播过程包含依赖于前一层测量结果的量子比特旋转操作。网络通过模拟训练,但推理阶段在量子硬件上实验完成。
经典-量子对应关系由插值参数α控制(α=0时为经典极限)。研究表明,适度增加α引入的量子测量不确定性可提升网络性能。针对经典神经网络分类失败但量子网络成功识别的边界案例,观察到与模拟行为的显著偏差,这归因于物理噪声导致输出在分类能量景观的相邻极小值间波动。而对于清晰图像,物理噪声的敏感性显著降低。
通过向神经网络电路插入额外单/双量子比特门对进一步基准化物理噪声。该工作为当前设备上构建更复杂量子神经网络提供了跳板:虽然方法基于经典机器学习标准,但扩展此类网络可能实现经典不可模拟性,为近期量子优势提供可行路径。
关键发现
- 混合训练框架:经典模拟训练与量子硬件推理相结合
- 噪声利用:物理噪声在边界案例中表现出双重效应
- 硬件基准:通过门操作量化不同量子平台的噪声特征
- 扩展潜力:网络架构具备通向量子优势的可扩展性
更多精彩内容 请关注我的个人公众号 公众号(办公AI智能小助手)
公众号二维码