PulseAugur
中
实时 16:32:58

New Quantum Measurement Temperature method stabilizes hybrid QNN training

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员发现了一种在混合量子神经网络（QNN）中称为测量诱导logit收缩的新问题，该问题会导致训练不稳定。这是因为当标准交叉熵损失与来自量子测量的有界输出一起使用时，会抑制参数梯度。为了解决这个问题，引入了一个新的可学习参数——量子测量温度（QMT）。QMT在训练过程中重新缩放量子测量输出，增加梯度幅度和方差，以提高损失敏感度和分类准确性。 AI

影响 这项研究可能有助于更稳定、更准确地训练量子神经网络，以完成蛋白质分类等复杂任务。

排序理由 该集群包含一篇学术论文，详细介绍了一种提高量子神经网络训练稳定性方面的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

New Quantum Measurement Temperature method stabilizes hybrid QNN training

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ali H. Shaib ·

    缓解混合量子神经网络蛋白质分类中测量诱导的训练不稳定性

    Hybrid Quantum Neural Network (QNN) classifiers produce logits as expectation values of quantum measurement operators. For standard Pauli measurements, these outputs are intrinsically bounded to the interval [-1,1]. When such bounded logits are used directly with the cross-entrop…

相关实体

相关话题