机构名称：
¥ 2.0
量子神经网络 (QNN) 已成为在各个领域追求近期量子优势的有前途的框架，其中许多应用可以看作是学习编码有用数据的量子态。作为概率分布学习的量子模拟，量子态学习在量子机器学习中在理论和实践上都是必不可少的。在本文中，我们开发了一个使用 QNN 学习未知量子态的禁忌定理，即使从高保真初始状态开始也是如此。我们证明，当损失值低于临界阈值时，避免局部最小值的概率会随着量子比特数的增加而呈指数级消失，而只会随着电路深度的增加而呈多项式增长。局部最小值的曲率集中于量子 Fisher 信息乘以与损失相关的常数，这表征了输出状态对 QNN 中参数的敏感性。这些结果适用于任何电路结构、初始化策略，并且适用于固定假设和自适应方法。进行了广泛的数值模拟以验证我们的理论结果。我们的研究结果对提高 QNN 的可学习性和可扩展性的良好初始猜测和自适应方法设定了一般限制，并加深了对先验信息在 QNN 中的作用的理解。
量子神经网络中量子态学习过程的统计分析
主要关键词
相关文件推荐
