[论文解读] Quantum Neural Networks: Concepts, Applications, and Challenges

Yunseok Kwak, Won Joon Yun+2 more|arXiv (Cornell University)|Aug 2, 2021

Quantum Computing Algorithms and Architecture参考文献 39被引用 4

一句话总结

本文全面概述了量子神经网络（QNNs），阐释了其在变分量子线路（VQCs）中的基础及其在量子深度学习中的应用。文章说明了QNNs如何利用参数化量子门和基于测量的优化来执行分类和函数逼近等任务，同时指出了关键挑战，如 barren plateaus（ barren plateaus ）、NISQ时代硬件限制以及与经典模型相比实现明确量子优势的必要性。

ABSTRACT

Quantum deep learning is a research field for the use of quantum computing techniques for training deep neural networks. The research topics and directions of deep learning and quantum computing have been separated for long time, however by discovering that quantum circuits can act like artificial neural networks, quantum deep learning research is widely adopted. This paper explains the backgrounds and basic principles of quantum deep learning and also introduces major achievements. After that, this paper discusses the challenges of quantum deep learning research in multiple perspectives. Lastly, this paper presents various future research directions and application fields of quantum deep learning.

研究动机与目标

• 提供对量子神经网络（QNNs）及其与深度学习原理整合的基础理解。
• 考察变分量子线路（VQCs）在实现混合量子-经典机器学习算法中的作用。
• 识别并分析量子深度学习中的关键挑战，包括梯度消失（barren plateaus）、NISQ设备限制以及对可验证量子优势的需求。
• 探索QNNs在物联网（IoT）、毫米波网络、区块链和视频流等新兴领域中的实际应用。
• 通过概述开放问题和潜在的算法设计，为未来研究提供指导，以在性能与近期硬件限制之间取得平衡。

提出的方法

• 使用带有参数化旋转门和纠缠门的变分量子线路（VQCs）来实现量子神经网络。
• 通过振幅编码或角度编码方式，利用量子态制备将经典数据编码为量子比特态。
• 通过评估泡利算符（如 ⟨Z⟩）的期望值来实施基于测量的优化，以提取经典输出。
• 在混合量子-经典训练循环中使用梯度下降法进行参数优化，类似于经典反向传播。
• 通过理论分析通用逼近能力和特定任务中的计算加速潜力，评估量子优势。
• 通过评估近场NISQ设备中的电路深度、量子比特数量和错误率，考虑硬件限制。

Figure 1: Illustration of QNN with the input $|\psi\rangle$ , the parameter $\theta$ and linear entanglement structure.

实验结果

研究问题

• RQ1 如何构建量子线路，以利用量子叠加和纠缠来模拟人工神经网络的功能？
• RQ2 当前噪声中等规模量子（NISQ）设备中，哪些主要挑战阻碍了量子神经网络的可扩展性和效率？
• RQ3 在何种场景下，量子神经网络能够展现出相对于经典深度学习模型的计算优势？
• RQ4 barren plateaus 如何在量子神经网络中出现，以及可采取哪些策略减轻其对训练的影响？
• RQ5 在通信与网络系统中，量子深度学习最具前景的应用领域是什么？

主要发现

• 基于变分量子线路（VQCs）的量子神经网络（QNNs）由于具备通用逼近特性，能够逼近任意连续函数。
• 随着量子比特数量的增加，梯度指数级消失的区域（即 barren plateaus）出现的可能性显著提高，这对大规模QNNs的训练构成重大挑战。
• 当前具有数十个噪声量子比特和高错误率的NISQ设备，限制了复杂量子线路的实际实现，特别是依赖多量子比特纠缠门的线路。
• 尽管理论潜力巨大，但仅有少数变分量子算法展示了可验证的量子优势，这凸显了在算法设计中需格外谨慎，以确保实际性能提升。
• 在通信网络中的应用，如物联网（IoT）、缓存、视频调度和区块链，是QNNs的有前景的应用场景，因其能够加速分布式计算。
• QNNs中缺乏传统激活函数，因此需要采用替代策略以避免梯度崩溃，这使其训练动态与经典深度神经网络显著不同。

Figure 2: Illustration of QCNN with the input $|\psi\rangle$ , the parameter $\theta$ with single convolution and pooling layer.