[论文解读] Quantum neural network

M. V. Altaĭsky|ArXiv.org|Jul 3, 2001

Quantum Computing Algorithms and Architecture参考文献 2被引用 100

一句话总结

该论文提出了一种使用光学量子比特的量子神经网络（QNN）模型，其中叠加态由光子偏振定义，权重通过分束器和移相器实现。该模型引入了一种非幺正学习规则，通过迭代权重更新实现向目标输出态的收敛，展示了在具有相位敏感信号处理能力的量子增强学习中的可行性路径。

ABSTRACT

It is suggested that a quantum neural network (QNN), a type of artificial neural network, can be built using the principles of quantum information processing. The input and output qubits in the QNN can be implemented by optical modes with different polarization, the weights of the QNN can be implemented by optical beam splitters and phase shifters

研究动机与目标

• 开发一种利用量子信息处理原理以增强学习能力的量子神经网络（QNN）模型。
• 通过提出一种相位和振幅敏感的权重更新机制，解决在量子系统中实现非线性激活函数的挑战。
• 展示一种学习规则，即使在保持幺正性不成立的情况下，也能将量子感知器输出驱动至期望的目标态。
• 探索使用光学元件——分束器、移相器和衰减器——实现可扩展量子神经网络的可行性。

提出的方法

• 量子比特以光子偏振态 |0⟩ 和 |1⟩ 编码，叠加态为 |x⟩ = α|0⟩ + β|1⟩。
• 量子感知器使用 n 个输入量子比特 |x_j⟩ 和线性输出态 |y(t)⟩ = Σ w_j(t)|x_j⟩，其中权重 w_j 为由分束器和移相器构成的 2×2 幺正矩阵。
• 提出一种非幺正学习规则：w_j(t+1) = w_j(t) + η(|d⟩ - |y(t)⟩)⟨x_j|，其中 |d⟩ 为目标输出，η 为学习率。
• 该学习规则被证明可减小误差的平方范数，当 η < 1/n 时，有 |||d⟩ - |y(t+1)⟩||² = (1 - nη)²|||d⟩ - |y(t)⟩||²。
• 该模型允许信号衰减和相位偏移，可解释为复阻抗，从而增强可学习性并提升经典模拟潜力。
• 通过使用标准人工神经网络架构组合多个量子感知器，将该框架扩展至完整的 QNN。

实验结果

研究问题

• RQ1 能否仅使用线性光学元件（如分束器和移相器）构建量子神经网络？
• RQ2 是否可能设计一种量子感知器的学习规则，即使在非幺正更新下，也能将输出驱动至期望的目标态？
• RQ3 在权重矩阵中引入信号衰减和相位偏移，如何影响量子网络的可学习性和收敛性？
• RQ4 输入信号的相位（而不仅仅是振幅）在量子神经网络的学习动态中，其贡献程度如何？

主要发现

• 所提出的第(6)条学习规则在学习率 η 足够小时（η < 1/n）可确保收敛至期望输出态 |d⟩，如误差衰减因子 (1 - nη)² 所示。
• 尽管学习规则违反了幺正性，模型仍能实现收敛，表明非幺正操作（如衰减）可能有益于可学习性。
• 通过分束器和移相器实现的相位与振幅调制，可生成复权重矩阵，从而模拟信号衰减和相位偏移，类似于生物神经元的阻抗特性。
• 该框架通过使用标准人工神经网络架构原则组合量子感知器，支持可扩展 QNN 的构建。
• 由于引入了非幺正权重更新，该模型比仅使用幺正变换的替代方案更易于经典模拟。