Un nouveau réseau parallèle hybride atteint de meilleures performances que los angeles coopération quantique classique

Los angeles development de réseaux neuronaux quantiques efficaces est une route de recherche prometteuse à l’intersection de l’informatique quantique et de l’apprentissage automatique. Une équipe de Terra Quantum AG a conçu un réseau neuronal quantique parallèle hybride et a démontré que son modèle est un « outil puissant pour l’apprentissage automatique quantique ». Cette recherche a été publiée dans Informatique intelligente.

Les réseaux neuronaux quantiques hybrides se composent généralement d’une couche quantique – un circuit quantique hétérogène – et d’une couche classique – un réseau neuronal d’apprentissage profond appelé perceptron multicouche. Cette structure spéciale leur permet d’apprendre des modèles et des members of the family complexes à partir des entrées de données plus facilement que les méthodes traditionnelles d’apprentissage automatique.

Dans cet article, les auteurs se concentrent sur les réseaux neuronaux quantiques hybrides parallèles. Dans de tels réseaux, los angeles couche quantique et los angeles couche classique traitent les mêmes entrées en même temps et produisent ensuite une sortie commune, qui est une combinaison linéaire des sorties des deux couches. Un réseau parallèle peut éviter le goulot d’étranglement de l’data qui affecte souvent les réseaux série, où los angeles couche quantique et los angeles couche classique se transmettent des données et les traitent alternativement.

Les résultats de los angeles formation montrent que le réseau parallèle hybride des auteurs peut surpasser los angeles couche quantique, ou couche classique. Le modèle hybride est formé sur deux ensembles de données périodiques avec un bruit haute fréquence ajouté, présente une perte d’entraînement plus faible, produit de meilleures prédictions et s’avère plus adaptable aux problèmes complexes et aux nouveaux ensembles de données.

Les couches quantiques et classiques contribuent à cette interplay quantique classique efficace. Los angeles couche quantique, en particulier le circuit quantique variable, cartographie les events périodiques lisses, tandis que le perceptron multicouche classique remplit les ajouts irréguliers de bruit. Les circuits quantiques variables et les récepteurs multicouches sont considérés comme des « adduits universels ».

Pour maximiser le rendement pendant l’entraînement, les circuits quantiques variables ajustent les paramètres des portes quantiques qui contrôlent l’état des qubits, et les perceptrons multicouches ajustent essentiellement los angeles drive des connexions, ou ce qu’on appelle les poids, entre les neurones.

Pendant ce temps, le succès du réseau hybride parallèle dépend du réglage et du réglage fin du taux d’apprentissage et d’autres hyperparamètres, tels que le nombre de couches et le nombre de neurones dans chaque couche du perceptron multicouche.

Étant donné que les couches quantiques et classiques apprennent à des vitesses différentes, les auteurs ont expliqué remark le taux de contribution de chaque couche affecte les performances du modèle hybride et ont constaté qu’il est necessary d’ajuster le taux d’apprentissage pour maintenir un taux de contribution équilibré. Par conséquent, ils soulignent que los angeles création d’un planificateur de taux d’apprentissage personnalisé constitue une orientation de recherche long term, automobile un tel programme peut améliorer los angeles vitesse et les performances du modèle hybride.

Creation à l’informatique intelligente