基于门控光子量子神经网络的算法优势
该研究报道了一种基于门的变分量子分类器，该分类器利用单光子和概率门实现，以模拟标准量子电路模型框架。研究团队通过计算两个可部署量子神经网络（QNN）的有效维度（一种基于泛化误差界限的容量度量）来评估其表达能力，并将其与具有同等可训练参数数量的经典人工神经网络（ANN）进行比较。利用有监督二分类任务，研究团队对光子和超导QNN的性能进行了基准测试，结果表明，与参数匹配的ANN相比，这两种QNN均展现出更优的收敛（更低）交叉熵损失和（更高）预测准确率。在一个非线性可分任务中，该团队的光子QNN仅使用一对可训练参数便成功收敛（损失0.04，准确率100%），而同等规模的ANN则未能学习到决策边界，性能饱和于随机猜测水平。研究团队模拟了光子量子电路，使用无梯度优化方法在XOR问题和二分类鸢尾花子集上对其进行训练，并评估了在包含光子损耗和移相器缺陷等实际噪声过程中，这些电路对采样误差的鲁棒性。具有较高有效维度的电路被远程部署在一个六比特光子量子处理器上，在在线和离线学习场景中均实现了高达100%的分类准确率。值得注意的是，即使是最简单的仅含两个可训练参数的QNN，也成功解决了经典ANN需要至少四倍参数才能完成的任务，这表明了新兴的算法优势。总体而言，这些结果提供了一个明确的原理验证：基于门的QNN可以在当前光子硬件上实现并有效训练，并证明了基于门的光子QNN的算法优势。
