新的平行混合網路透過量子-古典協作實現更好效能
簡介
在量子計算和機器學習交叉領域，建立高效的量子神經網路是一個有前途的研究方向。Terra Quantum AG 團隊設計了一個平行混合量子神經網路，並證實他們的模型是「量子機器學習的強大工具」。該研究已發表在《Intelligent Computing》期刊上。
平行混合量子神經網路
一般而言，混合量子神經網路由一個量子層 - 變分量子電路和一個古典層 - 多層感知機構成。這種特殊的結構使得它們能夠比傳統機器學習方法更容易地從資料輸入中學習複雜的模式和關係。
在這份研究中，作者們專注於平行混合量子神經網路。在這種網路中，量子層和古典層同時處理相同的輸入，然後產生一個聯合輸出 - 兩個層的輸出的線性組合。相比之下，序列網路中的量子層和古典層互動地將資料傳送給對方並進行資料處理。平行網路可以避免訊息瓶頸，常常影響到序列網路的效能。
平行混合網路的效能
研究結果表明，作者們的平行混合網路在效能上優於其單獨的量子層或古典層。當使用具有高頻噪聲的兩個周期性資料集進行訓練時，混合模型呈現較低的訓練損失、更好的預測能力，並且對於複雜問題和新資料集表現出更強的適應性。
這種有效的量子-古典互動是由量子層和古典層共同貢獻的。具體而言，變分量子電路能夠對控制量子位元的量子門的引數進行調整，以捕捉平滑的周期性部分；而多層感知機則透過調整神經元之間的存取強度（即所謂的權重）來填充不規則的噪聲。變分量子電路和多層感知機都被認為是「通用擬合器」。
建立自定義的學習率排程器
平行混合網路的成功取決於調整學習率等超引數的設定和調整以及量子層和古典層學習速度的不同。作者們討論了每個層的貢獻比例如何影響混合模型的效能，並指出自定義的學習率排程器是未來研究的方向，因為這樣的排程器可以提升混合模型的速度和效能。
結論
這項研究展示了平行混合量子神經網路在量子計算和機器學習交叉領域的潛力。透過將量子層和古典層結合起來，這種特殊網路結構能夠更好地學習複雜的資料模式和關係。未來的研究可以進一步探索如何最佳化超引數設定和調整，以提升平行混合網路的效能。
