量子编码方法可以降低机器学习中的电路复杂性

Josiah02

澳大利亚联邦科学与工业研究组织（CSIRO）和墨尔本大学研究人员最近的一项研究在量子机器学习方面取得了进展，该领域旨在实现量子优势，超越传统机器学习。
他们的工作表明，量子机器学习中用于数据编码的量子电路可以大大简化，而不会影响准确性或鲁棒性。这项研究于9 月 12 日发表在《智能计算》上。
该团队的结果通过 IBM 量子设备的模拟和实验进行了验证，结果表明，与传统方法相比，他们的创新编码方法平均将电路深度减少了 100 倍，同时实现了类似的分类准确率。这些发现为量子机器学习在当前量子设备上的实际应用提供了一条令人兴奋的新途径。
展望未来，该团队的目标是将这些模型扩展到更大、更复杂的数据集，并探索量子态编码和量子机器学习架构设计方面的进一步优化。
高效量子机器学习的主要障碍之一是将经典数据编码为量子态，这是一项计算难度很大的任务，需要深度纠缠电路。为了克服这个问题，该团队引入了三种编码方法，使用更浅的电路来近似数据的量子态。
这些方法（矩阵积状态、遗传和变分算法）保持了 MNIST 图像数据集和另外两个数据集的分类准确性，同时增强了对对抗性数据操纵的抵御能力。
每种方法都以独特的方式近似量子态编码经典数据，以实现有效的状态准备：
矩阵积状态编码：这种方法使用张量网络来创建可以顺序解开的量子态。这种结构允许使用少量受控非门或 CNOT 门来准备低纠缠度的量子态，从而进一步降低复杂性。
状态准备的遗传算法：受进化过程的启发，该方法通过生成各种电路配置、选择最有效的配置并最小化 CNOT 门的数量来优化状态准备过程，从而使电路更能抵抗噪声。
变分编码：该方法利用分层电路结构中的可训练参数，使量子态在更少的层数内达到目标精度。这减少了对大量纠缠操作的需求，通常可以降低计算成本。
这项工作符合量子机器学习的更广泛目标，即为图像识别、网络安全和复杂数据分析等领域构建高效、可靠的量子模型。电路深度的减少对于在当前设备上实现实用的量子机器学习至关重要，因为这些设备通常受到门保真度和量子比特数的限制。
这些模型对对抗性攻击的鲁棒性增强，为在需要抵御篡改能力的领域中安全量子机器学习应用开辟了新的可能性。