机构名称：
¥ 5.0
量子计算因其具有彻底改变计算能力的潜力而备受关注，随着它的出现，各种子领域的众多应用也应运而生。其中一个特别的子领域是量子神经网络 (QNN)，它建立在流行且成功的经典对应物之上。QNN 通过利用量子信息中的量子力学原理和概念提供了一种替代方法。本论文项目研究变分量子算法作为量子神经网络的可训练性。具体而言，研究了用于天线倾斜优化用例的量子神经网络假设。QNN 架构在强化学习数据集上进行了测试，当仅实施单层时，其预测误差较低。此外，通过参数初始化技术检查了荒芜高原 (BP) 现象，该技术并没有改善模型的性能，因为添加了 QNN 的多层。最后，研究了训练数据集的结构，其中考虑了初始纠缠、线性独立性和正交性。研究发现，可控的纠缠量是有利的，没有纠缠或过多的纠缠会对模型的性能产生不利影响，而线性独立性和正交性的重要性高度依赖于数据集，线性独立性显示出进一步减少所需训练数据集大小的潜力。
研究变分量子算法的可训练性
主要关键词
相关文件推荐
