量子科技中心_量科网

基于能量的生成模型，如受限玻尔兹曼机（RBMs），需要无偏玻尔兹曼样本进行有效训练。然而，传统马尔可夫链蒙特卡洛方法收敛速度慢且产生相关性样本，导致大规模训练困难。该研究团队通过应用绝热量子退火中退火调度与等效逆温度之间的解析关系解决这一瓶颈。在量子退火器上实施该方案后，研究人员获得了温度可控的玻尔兹曼样本，相比经典采样方法，这些样本使RBM训练具有更快收敛速度和更低验证误差。该工作进一步发现模拟量子计算机固有的系统性温度偏差，并提出一种解析重标定方法以缓解这种硬件噪声，从而提升量子退火器作为玻尔兹曼采样器的实用性。该方法中，模型的连接性直接由量子比特连接性决定，将经典采样固有的计算复杂性转化为对量子硬件的要求。这种转变使得该方法能从RBMs自然扩展到全连接玻尔兹曼机，开辟了经典训练方法无法触及的新机遇。