PulseAugur
中
实时 08:58:04
(CA) Adaptive directional gradients for parameterised quantum circuits

新的量子梯度方法可将电路训练速度提高几个数量级

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新的参数化量子电路（PQC）梯度估计框架，该框架显著降低了训练相关的测量成本。该方法基于自动微分的前向模式，通过对随机方向导数进行平均，提供了一个无偏的梯度估计器。与标准的参数迁移规则相比，由此框架派生的 QUIVER 优化器在训练量子神经网络方面效率提高了几个数量级，并在各种量子算法上优于其他测量成本较低的优化器。 AI

影响 这项新的梯度估计技术有望加速量子机器学习模型的发展和应用。

排序理由 该集群包含一篇详细介绍训练量子电路新方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 (CA) · Brian Coyle, Snehal Raj, Virag Umathe, El Amine Cherrat, Elham Kashefi ·

    参数化量子电路的自适应方向梯度

    arXiv:2606.09734v1 Announce Type: cross Abstract: Training parameterised quantum circuits (PQCs) on quantum hardware is bottlenecked by the measurement cost of gradient estimation, which under the parameter-shift rule scales linearly in the number of trainable parameters and domi…

  2. arXiv cs.LG TIER_1 (CA) · Elham Kashefi ·

    参数化量子电路的自适应方向梯度

    Training parameterised quantum circuits (PQCs) on quantum hardware is bottlenecked by the measurement cost of gradient estimation, which under the parameter-shift rule scales linearly in the number of trainable parameters and dominates the total shot budget of training at scale. …

相关实体

相关话题