我们提出了一种称为量子互信息神经估计 (QMINE) 的量子机器学习方法,用于估计冯·诺依曼熵和量子互信息,这是量子信息理论的基本属性。这里提出的 QMINE 基本上利用了量子神经网络 (QNN) 技术,以最小化确定冯·诺依曼熵的损失函数,从而确定量子互信息,由于量子叠加和纠缠,人们认为它比传统神经网络更能处理量子数据集。为了创建精确的损失函数,我们提出了一种量子 Donsker-Varadhan 表示 (QDVR),它是经典 Donsker-Varadhan 表示的量子类似物。通过利用参数化量子电路上的参数移位规则,我们可以有效地实现和优化 QNN,并使用 QMINE 技术估计量子熵。此外,数值观测支持我们对 QDVR 的预测,并证明了 QMINE 的良好性能。
主要关键词
![arXiv:2306.14566v2 [quant-ph] 2024 年 2 月 11 日PDF文件第1页](/bimg/4/49afb12159909f84f3d67b1065837b4c78e4866e.webp)
![arXiv:2306.14566v2 [quant-ph] 2024 年 2 月 11 日PDF文件第2页](/bimg/3/31acd3f0dbdd572cd9a0f68fcd983157d10c077a.webp)
![arXiv:2306.14566v2 [quant-ph] 2024 年 2 月 11 日PDF文件第3页](/bimg/7/7ccd66344df24a6e6bd602bfa9f79204deb878e9.webp)
![arXiv:2306.14566v2 [quant-ph] 2024 年 2 月 11 日PDF文件第4页](/bimg/1/11929acd8fdcd249357b214eeb1ed49851abcc91.webp)
![arXiv:2306.14566v2 [quant-ph] 2024 年 2 月 11 日PDF文件第5页](/bimg/6/60aa22dc0ef55f54b8acce72395d77e477c987cb.webp)
