机构名称：
¥ 1.0
在需要学习大量数据的场景下，增量学习可以充分利用旧知识，大幅降低整体学习过程的计算成本，同时保持高性能。本文以MaxCut问题为例，将增量学习的思想引入量子计算，提出一种量子主动增量学习算法（QPIL）。QPIL不是一次性训练量子电路，而是对所有顶点逐渐增加的子图进行多阶段训练，主动将大规模问题分解为较小的问题并分步求解，为MaxCut问题提供有效的解决方案。具体而言，首先随机选择一些顶点和对应的边进行训练，以获得量子电路的优化参数。然后，在每个增量阶段，逐渐添加剩余的顶点和对应的边，并在当前阶段的参数初始化中重用前一阶段获得的参数。我们在 120 个不同的小规模图上进行了实验，结果表明 QPIL 在近似比 (AR)、时间成本、抗遗忘和求解稳定性方面的表现优于流行的量子和经典基线。特别是 QPIL 的 AR 超过了主流量子基线的 20%，而时间成本不到它们的 1/5。QPIL 的思想有望启发在大规模 MaxCut 和其他组合优化问题中寻找高效、高质量的解决方案。
文章。一种高效的量子主动增量...
主要关键词
相关文件推荐
