证明了一种特殊类型的量子神经网络不存在贫瘠高原。这项工作为该体系结构提供了可训练性保证，这意味着人们可以一般地训练其参数。
文摘:
量子神经网络(QNNs)让人们对有效分析量子数据的可能性感到兴奋。但是对于许多QNN建筑来说，这种兴奋已经被指数级消失的梯度的存在所缓和，被称为贫瘠的高原景观。最近，量子卷积神经网络(QCNNs)被提出，涉及一系列卷积和池化层，在保留相关数据特征信息的同时减少量子位的数量。在这项工作中，我们严格分析了QCNN架构中参数的梯度缩放。我们发现梯度方差的消失速度不会快于多项式，这意味着qcnn没有表现出贫瘠高原。这一结果为随机初始化qcnn的可训练性提供了分析保证，突出了qcnn不同于其他QNN架构在随机初始化下的可训练性。为了得到我们的结果，我们引入了一种新的基于图的方法来分析haar分布一元的期望值，这可能在其他情况下有用。最后，我们进行数值模拟来验证我们的分析结果。
把这技术论文在这里。公布的10/2021。这是洛斯阿拉莫斯国家实验室的新闻文章．
裴莎，王淑娟，王淑娟，沃科夫，索恩伯格，王淑娟，和科尔斯，(2021)。量子卷积神经网络中不存在贫瘠高原．物理评论X. https://journals.aps.org/prx/abstract/10.1103/PhysRevX.11.041011。
留下回复