研究人员开发了一个新的框架，用于在量子硬件上训练量子神经网络（QNN），显著降低了梯度估计的计算成本。该方法将所需的电路评估次数从与量子比特数量的二次方关系降低到对数关系，使得QNN优化对于更大的系统来说变得可行。该框架成功应用于使用MIMIC-III数据集的临床数据插补，在IonQ硬件上训练的模型展示出与经典基线相当或更优的性能，同时方差降低。 AI
影响 使得量子神经网络在现实世界应用中的训练更加实用和可扩展。
排序理由 这是一篇详细介绍量子神经网络训练新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.03517v1 Announce Type: cross Abstract: Training quantum neural networks (QNNs) on quantum hardware is currently bottlenecked by the cost of gradient estimation: standard parameter-shift methods require a number of circuit evaluations that grows quadratically with the n…
Training quantum neural networks (QNNs) on quantum hardware is currently bottlenecked by the cost of gradient estimation: standard parameter-shift methods require a number of circuit evaluations that grows quadratically with the number of trainable parameters, making hardware-bas…