Quantum机器学习(QML)是一个新兴的研究领域,主张使用量子计算来进步机器学习。由于发现了参数变化量子电路(VQC)以替换人工神经网络的可容纳能力,因此它们已被广泛采用以在量子机学习中的不同任务中采用。然而,尽管它们有可能超过神经网络,但VQC限于量子电路可伸缩性的挑战,仅限于小规模应用。为了解决这个缺点,我们提出了一种算法,该算法使用张量环表示在电路中压缩量子状态。使用张量环表示中的输入Qubit状态,单量子门保持张量环表示。但是,对于两个Qubit门而言,情况并非如此,其中使用近似值将输出作为张量环表示。使用此近似值,与精确的仿真算法相比,与指数增加相比,存储和计算时间在量子数和层数中线性增加。此近似值用于实现张量环VQC。使用基于梯度下降的算法进行张量环VQC参数的训练,其中使用了反向传播的效果方法。在两个数据集上评估了所提出的方法:分类任务的虹膜和MNIST,以使用更多量子位来显示提高准确性。关键字:变分量子电路,张量网络,有监督的学习,classifation我们使用各种电路架构实现了虹膜数据集的测试精度为83.33%,MNIST数据集的二进制和三元分类为99.30%和76.31%。IRIS数据集的结果优于Qiskit上的VQC上的结果,并且可扩展,这证明了VQC用于大规模量子机器学习应用程序的潜力。
主要关键词