量子科技中心_量科网

该研究团队致力于解决在量子计算机上实现经典预训练神经网络瓶颈层的问题，旨在近期设备上实现量子优势。研究方案首先通过压缩步骤将目标线性层表示为有效的矩阵乘积算子（MPO），同时保持模型性能不降级。随后将MPO进一步解纠缠为更紧凑的形式，从而实现经典-量子混合执行架构：解纠缠电路部署于量子计算机，而包括解纠缠后MPO在内的网络其余部分仍在经典硬件运行。研究人员提出两种互补的MPO解纠缠算法：（1）基于标准张量网络优化技术的显式解纠缠变分方法；（2）基于梯度下降的隐式解纠缠方法。通过概念验证，该工作成功将用于MNIST和CIFAR-10图像分类的简单经典神经网络转化为经典-量子混合形式，验证了上述方法的有效性。