[论文解读] Advances in Quantum Deep Learning: An Overview

Siddhant Garg, Goutham Ramakrishnan|arXiv (Cornell University)|May 8, 2020

Quantum Computing Algorithms and Architecture参考文献 94被引用 46

一句话总结

本论文综述量子计算与深度学习的交叉领域，详细介绍量子神经网络（QNNs）、量子卷积网络（QCNNs）、量子启发的经典算法，以及实际实现。

ABSTRACT

The last few decades have seen significant breakthroughs in the fields of deep learning and quantum computing. Research at the junction of the two fields has garnered an increasing amount of interest, which has led to the development of quantum deep learning and quantum-inspired deep learning techniques in recent times. In this work, we present an overview of advances in the intersection of quantum computing and deep learning by discussing the technical contributions, strengths and similarities of various research works in this domain. To this end, we review and summarise the different schemes proposed to model quantum neural networks (QNNs) and other variants like quantum convolutional networks (QCNNs). We also briefly describe the recent progress in quantum inspired classic deep learning algorithms and their applications to natural language processing.

研究动机与目标

• 解释将量子计算与深度学习结合的动机。
• 概述量子神经网络的建模与训练方式。
• 讨论量子CNNs和量子RNNs等变体及其体系结构。
• 突出量子启发的经典深度学习方法及其在NLP中的应用。

提出的方法

• 综述并综合量子神经网络及其组成部分的文献。
• 解释作为QNN模型的单位表示与变分电路。
• 描述输入表示以及如何将经典数据编码为量子态。
• 介绍学习机制，包括量子测量、保真度损失和梯度方法。
• 描述实际实现以及混合量子-经典的方法。

实验结果

研究问题

• RQ1 提出用于神经网络（QNNs、QCNNs）的主要量子体系结构有哪些，它们如何映射到经典对应物？
• RQ2 量子电路如何参数化并针对量子深度学习中的学习任务进行训练？
• RQ3 将经典数据编码为量子态以及提取输出的实际策略有哪些？
• RQ4 量子与经典深度学习方法之间存在哪些变体与混合，以及探索了哪些应用？
• RQ5 在NISQ设备与硬件上的实际实现状况如何？

主要发现

• 量子电路为类似神经网络的学习提供了一个可逆框架，具备可训练的单位参数。
• 量子与量子启发方法提供了与经典深度学习概念（层、激活、反向传播类比）相呼应的体系结构与训练思路。
• 提出了量子CNNs和RNNs，并探索了混合与连续变量变体。
• 实际实现面临硬件限制，导致混合量子-经典算法和面向NISQ的研究。
• 量子启发的经典学习方法利用量子思想提升NLP及其他领域的效率或建模。