PulseAugur
中
实时 10:38:08

New Coherence Law Enhances Trainability in Noisy Quantum Neural Networks

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员为嘈杂的等变量子神经网络开发了一种新的训练定律，该定律利用对称性来在存在噪声的情况下保持可训练性。该定律确定了一个特定的物理量，即读出可见的相干率，它决定了梯度衰减的速度。该速率计算为噪声生成器沿梯度携带模式的瑞利商。密度矩阵模拟证实，模型在有限噪声下的退化遵循此定律，决定系数高，优于标准的通道诊断。 AI

影响 这项研究可能带来更强大、更易于训练的量子神经网络，从而加速量子计算应用的进步。

排序理由 该集群包含一篇详细介绍量子神经网络领域新理论发现和模拟结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

New Coherence Law Enhances Trainability in Noisy Quantum Neural Networks

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Hassan Ugail, Newton Howard ·

    A Coherence Law for Trainability in Noisy Equivariant Quantum Neural Networks

    arXiv:2606.30688v1 Announce Type: cross Abstract: Symmetry provides a quantum neural network structure, but on its own it does not keep the network trainable once noise is present. We ask which physical quantity decides whether the gradients of an equivariant circuit survive deco…

相关话题