Die Arbeit untersucht die Anwendung von Quantum Convolutional Neural Networks (QCNN) auf translationssymmetrische Daten. Ein neuartiges Modell, das split-parallelizing QCNN (sp-QCNN), wird vorgeschlagen, um die Messungseffizienz zu verbessern und das Lernen zu beschleunigen. Durch die parallele Berechnung von Erwartungswerten für alle Qubits wird die statistische Fehleranfälligkeit reduziert. Die sp-QCNN zeigt vergleichbare Leistungen bei der Klassifizierung und kann effektiv die SPT-Phase in einem Quantum Phase Recognition Task erkennen. Die Messungseffizienz wird um den Faktor O(n) verbessert, was besonders vorteilhaft für begrenzte Ressourcen in der Quanteninformatik ist.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Koki Chinzei... a las arxiv.org 02-29-2024
https://arxiv.org/pdf/2306.07331.pdfConsultas más profundas