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.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Koki Chinzei... alle arxiv.org 02-29-2024
https://arxiv.org/pdf/2306.07331.pdfDomande più approfondite