用于训练量子神经网络的量子优化
Quantum Optimization for Training Quantum Neural Networks
AI总结：
针对量子神经网络训练中的贫瘠高原问题，提出一种利用量子优化算法寻找最优参数的框架，通过相干编码代价函数至叠加态相对相位并采用自适应Hamiltonians迭代调参，实现超越Grover的加速。
摘要：
使用基于梯度或无梯度的经典优化方法训练量子神经网络（QNNs）会受到代价景观中贫瘠高原现象的严重影响。在本文中，我们设计了一个框架，利用量子优化算法来寻找QNNs在特定任务中的最优参数。为此，我们将QNNs的代价函数相干地编码到网络参数Hilbert空间中一个叠加态的相对相位上。通过使用自适应选择的Hamiltonians，采用迭代量子优化结构来调整参数。该框架的量子机制利用了QNN优化问题中的隐藏结构，因此有望提供超越Grover的加速，从而缓解贫瘠高原问题。
英文摘要：
Training quantum neural networks (QNNs) using gradient-based or gradient-free classical optimisation approaches is severely impacted by the presence of barren plateaus in the cost landscapes. In this paper, we devise a framework for leveraging quantum optimisation algorithms to find optimal parameters of QNNs for certain tasks. To achieve this, we coherently encode the cost function of QNNs onto relative phases of a superposition state in the Hilbert space of the network parameters. The parameters are tuned with an iterative quantum optimisation structure using adaptively selected Hamiltonians. The quantum mechanism of this framework exploits hidden structure in the QNN optimisation problem and hence is expected to provide beyond-Grover speed up, mitigating the barren plateau issue.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
