[论文解读] A review of Quantum Neural Networks: Methods, Models, Dilemma

Ren-Xin Zhao, Shi Wang|arXiv (Cornell University)|Sep 4, 2021

Quantum Computing Algorithms and Architecture参考文献 68被引用 24

一句话总结

本文回顾了过去六年中量子神经网络（QNNs）的研究进展，重点聚焦于变分量子算法（VQA）等实现方法、QBM 和 QCVNN 等量子电路模型，以及退火平地（barren plateaus）和量子优势验证等关键挑战。研究指出，尽管 QNNs 在计算效率和存储容量方面展现出理论潜力，但实际实现仍受限于硬件约束和训练不稳定性，尤其是在深度电路中。

ABSTRACT

The rapid development of quantum computer hardware has laid the hardware foundation for the realization of QNN. Due to quantum properties, QNN shows higher storage capacity and computational efficiency compared to its classical counterparts. This article will review the development of QNN in the past six years from three parts: implementation methods, quantum circuit models, and difficulties faced. Among them, the first part, the implementation method, mainly refers to some underlying algorithms and theoretical frameworks for constructing QNN models, such as VQA. The second part introduces several quantum circuit models of QNN, including QBM, QCVNN and so on. The third part describes some of the main difficult problems currently encountered. In short, this field is still in the exploratory stage, full of magic and practical significance.

研究动机与目标

• 提供过去六年中量子神经网络（QNNs）的全面综述。
• 分析 VQA 和参数化量子电路等实现方法。
• 考察 QBM、QCVNN 和 QGAN 等关键量子电路模型。
• 识别并讨论 QNN 发展中的主要挑战，特别是退火平地问题与量子优势验证。
• 阐明当前 QNN 的状态仍处于探索阶段，其物理可行性与可训练性方面仍存在未解决的问题。

提出的方法

• 本文将 QNN 研究分为三大主要领域：实现方法、量子电路模型与核心挑战。
• 回顾变分量子算法（VQA）作为构建 QNN 的主要方法，利用参数化量子电路实现。
• 分析特定量子电路模型，如量子玻尔兹曼机（QBM）、量子卷积神经网络（QCVNN）与量子生成对抗网络（QGAN）。
• 探讨量子测量与重复-直到成功（RUS）技术在实现非线性激活函数中的作用。
• 通过参数化量子电路中梯度消失的理论分析，研究退火平地问题。
• 利用物理可实现性、量子演化与类神经网络计算等标准，评估 QNN 的可行性。

实验结果

研究问题

• RQ1 构建 QNN 的主导实现方法是什么？它们如何利用变分量子电路？
• RQ2 QBM 和 QCVNN 等不同量子电路模型在架构与计算能力上有哪些差异？
• RQ3 训练 QNN 的主要理论与实践障碍是什么，特别是退火平地问题？
• RQ4 在当前的 NISQ 设备中，QNN 在多大程度上能展现出相对于经典神经网络的量子优势？
• RQ5 什么标准定义了一个真正的 QNN？为何大多数现有模型未能满足这些标准？

主要发现

• 当成本函数的梯度随量子比特数量增加而指数级消失时，退火平地问题出现，尤其在满足 t-design 的电路中，导致训练不可行。
• 对于硬件高效 Ansatz 和基于矩阵乘积态（MPS）的 Ansatz，由于成本函数结构，退火平地不可避免。
• 相比之下，QCVNN 和树张量网络 Ansatz 不受退火平地影响，表明架构设计对可训练性具有显著影响。
• 通过使用局部可观测量而非全局可观测量定义成本函数，即使在浅层电路中也能缓解梯度消失问题。
• 基于 RUS 的量子电路可实现非线性激活函数，为构建非线性 QNN 提供了有前景的路径。
• 尽管在存储与计算方面具有理论优势，但大多数现有 QNN 模型缺乏物理可行性，且由于噪声与不稳定性，未能充分实现量子优势。