量子机学习,专注于量子神经网络(QNN),仍然是一个非常未知的研究领域。当前的QNN模型主要在ANSATZ或量子特征图上采用各种电路,通常需要多个纠缠层。这种方法不仅将电路的计算成本提高到了近期量子设备上的实用性,而且鉴于它们与典型的进发神经网络(FFNN)的结构的差异,还将这些模型标记为神经网络。此外,这些模型的电路深度和量子需求随数据功能的数量而缩小较大,从而导致对现实世界机器学习任务的效率挑战。我们引入了一个真正的QNN模型,该模型与传统FFNN的多功能性无缝地与其适应性的中间层和节点的多功能性保持一致,而中间测量不存在,因此我们的整个模型都是相干的。该模型以其减少的电路深度和所需的C-Not门的数量而脱颖而出,以超过盛行的QNN模型。此外,我们的模型中的Qubit计数仍然不受数据特征数量的影响。我们在各种基准测试数据集(例如诊断乳腺癌(威斯康星州)和信用卡欺诈检测数据集)上测试了我们提出的模型。我们将模型的结果与现有的QNN方法进行比较,以展示我们方法的有利功效,即使对量子资源的要求减少了。我们的模型为将量子神经网络应用于真正相关的机器学习问题铺平了道路。
主要关键词