[论文解读] Efficient learning algorithm for quantum perceptron unitary weights

Kok-Leong Seow, Elizabeth Behrman+1 more|arXiv (Cornell University)|Dec 1, 2015

Quantum Computing Algorithms and Architecture参考文献 1被引用 3

一句话总结

本文提出一种量子感知器，通过摩尔-彭罗斯广义逆和张量积解析推导出幺正权重，消除了迭代学习。通过SVD分解实现幺正性保持，并成功计算出经典感知器无法实现的非线性XOR函数，同时满足量子力学约束。

ABSTRACT

For the past two decades, researchers have attempted to create a Quantum Neural Network (QNN) by combining the merits of quantum computing and neural computing. In order to exploit the advantages of the two prolific fields, the QNN must meet the non-trivial task of integrating the unitary dynamics of quantum computing and the dissipative dynamics of neural computing. At the core of quantum computing and neural computing lies the qubit and perceptron, respectively. We see that past implementations of the quantum perceptron model have failed to fuse the two elegantly. This was due to a slow learning rule and a disregard for the unitary requirement. In this paper, we present a quantum perceptron that can compute functions uncomputable by the classical perceptron while analytically solving for parameters and preserving the unitary and dissipative requirements.

研究动机与目标

• 克服先前量子感知器模型依赖缓慢迭代学习规则的局限性。
• 通过解析计算权重而非近似，严格确保与量子幺正性的兼容性。
• 使量子感知器能够计算XOR等非线性函数，而这是经典感知器无法实现的。
• 通过数学上严谨的框架，将耗散性神经动力学与幺正量子演化相集成。
• 为多量子比特系统提供量子感知器权重的闭式解，实现泛化。

提出的方法

• 利用每个输入态的摩尔-彭罗斯广义逆，通过与对应目标态的张量积计算初始权重算符。
• 将所有训练数据点的单个权重算符之和构成总权重矩阵。
• 对权重矩阵应用奇异值分解（SVD），将其分解为幺正矩阵与奇异值的对角矩阵。
• 将奇异值对角矩阵替换为对角线上全为1的幺正矩阵，以保持幺正性。
• 应用测量函数M(x)，当x > 0.5时输出1，否则输出0，以模拟二元激活。
• 采用权重计算的闭式解，避免迭代优化，确保解析可解性。

实验结果

研究问题

• RQ1 仅使用单个神经元和幺正操作，量子感知器能否计算XOR等非线性可分函数？
• RQ2 量子感知器权重的学习规则能否在不依赖迭代更新的情况下实现解析求解？
• RQ3 在仍能实现非线性函数近似的同时，如何在量子感知器权重矩阵中保持幺正性？
• RQ4 基于SVD的分解在多大程度上能恢复由量子学习规则导出的非幺正权重矩阵的幺正性？
• RQ5 所提出的方法能否推广至多量子比特系统及复杂量子门（如受控-SWAP门）？

主要发现

• 所提算法通过广义逆与张量积解析计算幺正权重，消除了对迭代学习的需求。
• 该方法成功利用单个量子感知器计算出XOR函数，而这是经典感知器无法实现的任务。
• 基于SVD的分解通过将奇异值替换为幺正的1，恢复了幺正性，确保符合量子力学要求。
• 测量函数M(x)实现了二元输出分类，同时保持了权重矩阵的幺正结构。
• 该框架可推广至两量子比特系统，并能使用幺正权重矩阵计算受控-NOT和受控-SWAP门。
• 闭式解展现出鲁棒性，避免了先前量子感知器模型中常见的非幺正权重问题。