机构名称：
¥ 2.0
对参数化量子电路（PQC）的成本景观知之甚少。然而，PQC在量子神经网络和变异量算法中都采用，这可能允许接近量子的优势。此类应用需要良好的优化器来培训PQC。重点的工作重点是专门针对PQC量身定制的量子意见的操作器。但是，对成本景观的无知可能会阻碍这种优化者的进步。在这项工作中，我们在分析中证明了PQC的两个结果：（1）我们在PQC中找到了指数较大的对称性，在成本景观中产生了最小值的指数较大的变性。另外，可以将其作为相关超级参数空间体积的指数减少。（2）我们研究了噪声下对称性的弹性，并表明虽然在噪声下是保守的，但非积极通道可以打破这些对称性并提高最小值的脱位，从而导致多个新的局部最小值。基于这些结果，我们引入了一种称为基于对称的最小值（SYMH）的优化方法，该方法利用了PQC中的基础对称性。我们的数值模拟表明，SYMH在存在与当前硬件相当的级别的情况下提高了整体优化器性能。总的来说，这项工作从局部门传输中得出了大规模电路对称性，并使用它们来构建噪声知识优化方法。
量子景观中的非平凡对称性及其对量子噪声的弹性
主要关键词
相关文件推荐
