Barren plateaus in quantum neural network training landscapes
PulseAugur coverage of Barren plateaus in quantum neural network training landscapes — every cluster mentioning Barren plateaus in quantum neural network training landscapes across labs, papers, and developer communities, ranked by signal.
-
用于量子分布学习的新分层傅里叶近似方法
研究人员开发了一种新颖的分层方法，使用布尔立方体上的Walsh-傅里叶近似来学习量子分布。该方法涉及在每个级别定义谱截断，然后将其投影到概率单纯形上并用于训练量子电路Born机。在一个级别上学习到的参数用于初始化下一个级别，从而提供端到端的学习保证。该框架分析了近似和估计的权衡，将分布误差与量子态保真度联系起来，尽管它并未消除量子神经网络训练中的贫瘠高原。
-
新的并行QCNN架构可实现量子模型的高效经典模拟
研究人员开发了一种新颖的并行量子卷积神经网络（QCNN）架构，旨在高效地对图像分类任务进行经典模拟。该架构对图像进行分区，实现并行处理，并随着量子比特数量的增加而减少所需的计算资源。该方法使用128量子比特模型在MNIST数据集上进行了测试，证明了这种分区策略不会降低性能，甚至可以通过缓解量子神经网络训练中常见的“贫瘠高原”问题来提高性能。
-
量子机器学习研究通过新框架解决贫瘠平原问题 · 跟踪 2 个来源
一篇新研究论文探讨了量子机器学习（QML）中的“表达能力-可训练性悖论”，即参数化量子电路（PQC）的巨大容量导致贫瘠平原和指数级平坦的梯度景观。通过综合动力学李代数（DLA）和几何量子机器学习，该研究建立了一个将电路生成器与优化动力学联系起来的框架。研究提出，嵌入群论几何先验作为结构正则化器，牺牲原始记忆能力以换取可扩展、富含梯度的训练景观，为量子神经网络的“设计驱动的可训练性”提供了途径。
-
新研究揭示了避免量子神经网络中贫瘠高原的指数级方法
一篇新研究论文引入了一个一阶矩框架来分析量子神经网络的初始化策略。该研究表明，存在指数级数量的初始化参数方法可以避免贫瘠高原，这是训练中一个常见的问题。这表明，虽然仔细的初始化可以防止集中问题，但它带来了从众多可能性中选择最佳可训练区域的挑战。