量子科技中心_量科网

Fermi-Dirac机器近期被提出，作为在量子计算机上求解半定优化问题的一种方法。在此，该团队将其重新诠释为经典神经元的正则量子化。通过将经典神经元视为应用于参数化经典哈密顿量的激活函数，该工作通过用算子替换经典变量来量化该模型，这些算子的特征值编码了变量的可能取值。这遵循了量子力学中正则量子化的标准方法。关键在于，当哈密顿量由对易算子构成时，该团队的构造精确地还原为经典神经元。更一般地，该团队的方法产生了一个激活可观测量，定义为应用于参数化量子哈密顿量的激活函数。该量子化神经元的输出是一个随机变量，其期望值等于该激活可观测量关于输入态的期望值。研究人员开发了高效的混合量子-经典算法来评估量子化神经元的输出和梯度，从而支持评估与训练。这些算法依赖于包括随机采样、哈密顿量模拟以及Hadamard测试在内的基本原语。该工作还对其他一系列激活函数进行了量子化，包括平滑修正线性单元(ReLU)、Sigmoid线性单元、高斯平滑ReLU以及高斯误差线性单元(GeLU)，这些函数已知对深度学习应用十分有用。数值实验表明，基于量子哈密顿量的神经元能够学习经典神经元无法学习的函数。该团队进一步基于Fermi-Dirac神经元定义了一个计算决策问题，并证明其是BQP完全的，从而从复杂性理论角度提供了反对有效经典模拟的证据。最后，该工作将该方法推广到连续量子变量，并勾勒了两种将这些神经元组合成网络的不同方式。