[论文解读] A Leap among Entanglement and Neural Networks: A Quantum Survey.

Fabio Valerio Massoli, Lucia Vadicamo+2 more|arXiv (Cornell University)|Jul 6, 2021

Quantum Computing Algorithms and Architecture参考文献 183被引用 5

一句话总结

本文综述了量子计算与神经网络的融合，重点探讨了在量子门模型和绝热量子计算范式下的量子感知机与量子神经网络。文章介绍了基础的量子计算概念，对比了当前的实现方案，并分析了推动量子机器学习发展的最先进方法。

ABSTRACT

In recent years, Quantum Computing witnessed massive improvements both in terms of resources availability and algorithms development. The ability to harness quantum phenomena to solve computational problems is a long-standing dream that has drawn the scientific community's interest since the late '80s. In such a context, we pose our contribution. First, we introduce basic concepts related to quantum computations, and then we explain the core functionalities of technologies that implement the Gate Model and Adiabatic Quantum Computing paradigms. Finally, we gather, compare and analyze the current state-of-the-art concerning Quantum Perceptrons and Quantum Neural Networks implementations.

研究动机与目标

• 提供与量子机器学习相关的基础量子计算概念的全面概述。
• 解释量子门模型和绝热量子计算范式的核心功能。
• 收集、比较并分析量子感知机与量子神经网络的最先进实现方案。
• 识别量子神经网络开发中的当前挑战与研究方向。

提出的方法

• 介绍超叠加、纠缠和量子门等基础量子计算原理。
• 解释量子门模型与绝热量子计算的运行机制，突出其差异与应用场景。
• 回顾现有的量子感知机与量子神经网络架构，重点关注其设计与实现。
• 从可扩展性、相干性与计算效率等方面对比当前实现方案。
• 分析用于量子神经网络的量子算法与电路设计。
• 综合研究成果，评估量子神经网络在实际应用中的成熟度与潜力。

实验结果

研究问题

• RQ1 量子感知机与量子神经网络在架构与功能上有哪些差异？
• RQ2 在当前量子硬件上实现量子神经网络面临哪些关键挑战？
• RQ3 量子门模型与绝热量子计算范式如何支持或限制量子神经网络的发展？
• RQ4 当前最具有前景的量子神经网络实现方案有哪些，其局限性是什么？
• RQ5 纠缠如何提升量子神经网络的性能与表达能力？

主要发现

• 量子感知机与量子神经网络正作为量子机器学习的可行框架崭露头角，尽管仍处于早期发展阶段。
• 量子门模型量子计算支持精细的门级控制，适用于实现量子神经网络电路。
• 绝热量子计算为量子神经网络提供了另一条路径，尤其适用于基于优化的学习任务。
• 当前实现方案因量子比特相干性、门保真度与可扩展性限制而面临显著挑战。
• 与经典对应物相比，纠缠在增强量子神经网络的表征能力方面发挥着关键作用。
• 该领域缺乏标准化基准与硬件优化设计，表明亟需进一步研究与工具开发。