量子机器学习因其独特的数据编码和处理方式而成为量子计算的一个有前途的应用。人们认为,大规模量子机器学习比传统机器学习具有显著的优势,但量子系统的脆弱性阻碍了其可靠的扩展。在这里,我们提出了一种可通过实验访问的分布式量子机器学习方案,该方案通过经典通信集成量子处理器单元。作为演示,我们通过模拟两个 4 量子比特处理器并采用量子卷积神经网络对 8 维合成数据集执行数据分类任务。我们的结果表明,与没有通信的方案相比,加入经典通信可显着提高分类准确性。此外,在测试的电路深度下,我们观察到经典通信的准确性不低于量子通信的准确性。我们的工作通过利用可通过当前可用的中间电路测量实现的经典通信,为在中型量子处理器上展示大规模量子机器学习提供了一条实用途径。
主要关键词
![arXiv:2408.16327v1 [quant-ph] 2024 年 8 月 29 日PDF文件第1页](/bimg/6/650292785fed70d4dba05dc79307373967b6d9a0.webp)
![arXiv:2408.16327v1 [quant-ph] 2024 年 8 月 29 日PDF文件第2页](/bimg/d/d1731177584ff0f2e2d4b06111aa658de07daf81.webp)
![arXiv:2408.16327v1 [quant-ph] 2024 年 8 月 29 日PDF文件第3页](/bimg/a/a87c38a0f1b746a8923c4d3309186ca95eaae8f7.webp)
![arXiv:2408.16327v1 [quant-ph] 2024 年 8 月 29 日PDF文件第4页](/bimg/d/d7f8730aa891f142fffb7fff2f6ec1491d71ba72.webp)
![arXiv:2408.16327v1 [quant-ph] 2024 年 8 月 29 日PDF文件第5页](/bimg/d/dea1836927a4b5967420c234342379e520073d7b.webp)
