量子科技中心_量科网

训练深度量子神经网络（QNNs）用于图像分类极其困难，这是由于纯粹幺正电路中的梯度消失（停滞高原）和非线性有限所致。该研究团队提出了一种新颖的无梯度代理驱动框架，结合了电路中间测量和辅助量子比特的重置，以诱导有效的非幺正性。该方法使用经典神经代理从电路参数预测测量结果，以避免直接梯度。理论结果表明，绕过量子梯度可以缓解停滞高原问题。在MNIST、CIFAR-10和CIFAR-100数据集上使用15量子位、6层电路和四个可重置辅助量子位的实验表明，与直接梯度QNNs和经典基线相比，该方法具有更高的准确性。该工作也为一种适用于图像分类之外的多样化QNN架构的通用训练框架提供了潜力。