TL;DR
- v1 نوع اعلام:.
- جدید چکیده:.
- یادگیری ماشین کوانتومی (QML) اساساً توسط دو چالش محدود میشود:.
چه اتفاقی افتاد
v1 نوع اعلام:. جدید چکیده:.
یادگیری ماشین کوانتومی (QML) اساساً توسط دو چالش محدود میشود:. فلاتهای بیثمر (شیبهای در حال محو شدن نمایی) و شکنندگی مدارهای کوانتومیپارامتری شده تحت نویز.
با وجود مطالعات تجربی گسترده، یک چارچوب نظری یکپارچه وجود ندارد. ما LieTrunc-QNN را معرفی میکنیم،.
یک چارچوب جبری-هندسی که قابلیت آموزش را از طریق دینامیک تولید دروغ مشخص میکند. مدارهای کوانتومیپارامتری شده بهعنوان زیر جبرهای Lie از u(2^n) مدلسازی میشوند،.
که عملکرد آنها یک منیفولد ریمانی از حالتهای کوانتومیقابل دسترسی را القا میکند. بیانی بهعنوان ابعاد و هندسه منیفولد ذاتی تفسیر میشود.
ما یک اصل هندسی ظرفیت-فلات را ایجاد میکنیم:. افزایش ابعاد مؤثر منجر به سرکوب گرادیان نمایی به دلیل تمرکز اندازهگیری میشود.
با محدود کردن به زیر جبرهای Lie ساختاریافته (LieTrunc)،. منیفولد است منقبض شده،.
از تمرکز جلوگیری میکند و شیبهای غیر تخریبی را حفظ میکند. ما دو نتیجه اصلی را ثابت میکنیم:.
(1) یک کران آموزش پذیری پایین برای LieTrunc-QNN،. و (2) که رتبه متریک Fubini-Study توسط گستره جبری ژنراتورها محدود میشود،.
که نشان میدهد بیانپذیری به جای تعداد پارامترها توسط ساختار کنترل میشود. جبرهای فشرده Lie نیز استحکام ذاتی را برای آشفتگیها فراهم میکنند.
مهمتر از همه،. ما یک رژیم آموزش پذیری چند جملهای ایجاد میکنیم که در آن واریانس گرادیان به جای.
نمایی،. به صورت چند جملهای کاهش مییابد.
آزمایشها (n=2-6) نظریه را تأیید میکنند:. LieTrunc-QNN گرادیانهای پایدار و ابعاد مؤثر بالا را حفظ میکند،.
در حالی که برش تصادفی منجر به فروپاشی رتبه متریک میشود. در n=6، رتبه متریک کامل حفظ میشود (رتبه = 16).
نتایج از یک قانون مقیاس بندی بین واریانس گرادیان و بعد موثر پشتیبانی میکند. این کار یک چارچوب هندسی یکپارچه برای طراحی QNN ارائه میکند که Lie را به هم پیوند میدهد.
جبر،. هندسه منیفولد و بهینهسازی.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.