.png){kind=icon}
返回
A duplication-free quantum neural network for universal approximation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11433-023-2098-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
与通用计算的概念不同，量子神经网络的通用性侧重于逼近任意函数的能力，是有效性的重要保证。然而，构造通用量子神经网络的常规方法可能导致巨大的量子寄存器，由于近期设备上的噪声，该量子寄存器难以实现。为了解决这个问题，我们提出了一种简单的无复制量子神经网络设计，其通用性可以得到严格证明。具体来说，我们的方法不是使用量子寄存器的多个副本，而是依赖于与多个激活函数组合的单个量子寄存器来创建非线性并实现通用性。因此，我们的建议需要明显更少的量子位和更浅的电路，因此大大减少了资源开销和噪声影响。此外，仿真表明，我们的通用性设计能够在存在噪声的情况下实现更好的学习精度，说明在解决短期设备上的大规模学习问题方面具有巨大潜力。
Keyword:
quantum computing
quantum machine learning
quantum neural network
universality
期刊
S
IF:
7.5
论文数:
3.9K
被引数:
7.4K
机构
暂无机构信息
引用论文
.png){kind=icon}
Near-term quantum computing techniques: Variational quantum algorithms, error mitigation, circuit compilation, benchmarking and classical simulation近期量子计算技术: 变分量子算法，误差缓解，电路编译，基准测试和经典仿真
PREAI
分享收藏分享收藏分享收藏分享收藏
查看更多内容