量子神经网络的发展

sefd

Google AI Quantum团队自成立以来一直在努力了解量子计算在机器学习中的作用。对于全局优化具有可证明优势的算法的存在表明，量子计算机可以用于更快地在机器学习中训练现有模型，并且我们正在构建实验量子计算机以研究复杂量子系统如何能够执行这些计算。虽然这可能证明是非常宝贵的，但它还没有触及量子计算机可能提供一种方法来更多地了解物理系统中复杂模式的方法，传统计算机无法在任何合理的时间内完成。

今天我们来谈谈Google AI Quantum团队最近发表的两篇论文，这些论文在理解量子计算机学习任务的能力方面取得了进展。第一个构建了神经网络的量子模型，以研究如何在量子处理器上执行分类任务。在第二篇论文中，我们展示了量子几何的独特特征如何改变训练这些网络与其经典对应物相比的策略，并为这些网络的更强大训练提供指导。

在“Classification with Quantum Neural Networks on Near Term Processors”一文中，我们构建了一个量子神经网络（QNN）模型，专门设计用于预计近期可用的量子处理器。虽然目前的工作主要是理论上的，但它们的结构有助于在不久的将来对量子计算机进行实施和测试。这些QNN可以通过标记数据的监督学习进行调整，并且我们表明可以训练QNN对着名的MNIST数据集中的图像进行分类。在该领域的后续工作可能会使用量子网络来与经典的神经网络进行对比。

在“Barren Plateaus in Quantum Neural Network Training Landscapes”一文中，我们专注于量子神经网络的训练，并探讨与经典神经网络中的关键难点相关的问题，例如梯度消失或爆炸梯度的问题。在传统的神经网络中，对神经元权重的良好无偏的初始猜测通常涉及随机化，尽管也存在一些困难。我们的论文表明，量子几何的独特特征明确地阻止了在量子情况下这一问题的发生。这项工作的意义可能成为指导未来的初始化和训练量子神经网络的新策略。

该研究为量子神经网络的构建和训练提供了改进的舞台。特别是使用谷歌硬件来加速实现量子神经网络的实验研究。我们希望从这些几何形状中获得的见解并将产生新的算法来训练这些对于释放其全部潜力至关重要的网络。